Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti

İnsan hayatını etkileyen önemli sebeplerden biri de retina rahatsızlıklarıdır. Retinadaki patolojik değişimler sonucu oluşabilen yaşa bağlı makula dejenerasyonu (AMD) ve diyabetik makula ödemi (DME) rahatsızlıkları, Optik Koherens Tomografisi (OCT) görüntüleme tekniği kullanılarak teşhis edilebilen körlüğün başlıca nedenlerindendir. Bu rahatsızlıkların erken tanısı, tedavi açısından çok önemlidir. Özellikle son zamanlarda makine öğrenmesi ve derin öğrenmedeki gelişmeler, OCT görüntüleri üzerinde retina rahatsızlıklarının teşhisine olan ilgiyi arttırmıştır. Bu çalışmada OCT görüntüleri üzerinden retina rahatsızlıklarının tespiti için Evrişimsel Sinir Ağına (ESA) dayanan bilgisayar destekli bir erken tanı sistemi önerilmiştir. Ayrıca klinikte OCT görüntülerinin elde edilmesi esnasında kızılötesi dalgaların aktarımından kaynaklanan benek gürültülerinin giderilmesi için görüntü ön işleme yöntemleri uygulanmıştır. Bu çalışmada önerilen yöntemlerin değerlendirilmesinde halka açık California San Diego Üniversitesi (UCSD) OCT veri seti kullanılmıştır. İlk olarak UCSD veri setinde uygulanan görüntü ön işlem yöntemleri, OCT görüntülerinde benek gürültülerini çoğunlukla gidermiştir. Sonrasında UCSD veri seti, ön işlemli ve ön işlemsiz olarak transfer öğrenmeye dayalı ince ayarlanmış AlexNet (FT-CNN) mimarisi üzerinde eğitilmiştir. Görüntüler üzerinde uygulanan ön işlemlerin sistem performansını olumlu yönde etkilediği görülmüştür. Retina hastalıklarının tespitinde sınıflandırma performansını arttırabilmek için, ön işlemli ve ön işlemsiz oluşturulan UCSD veri setleri üzerinde eğitilmiş FT-CNN mimarisinin son tam bağlı katmanından öğrendiği derin özellikler aktivasyon fonksiyonu yardımıyla çıkartılmıştır. FT-CNN'den çıkartılmış derin özellikler ön işlemli ve ön işlemsiz özellik vektörü halinde, homojen ve heterojen topluluk öğrenme yöntemleriyle sınıflandırılmıştır. Topluluk öğrenme yöntemleri arasında diğerlerine göre en üstün performansı ön işlemsiz özellik vektörüyle sınıflandırılmış istifleme (heterojen) topluluk öğrenmesi elde etmiştir. Önerilen yöntem %99,70 doğruluk, %99,70 duyarlılık, %99,90 özgüllük, %99,70 kesinlik ve %99,70 F1-score performans değerleri ile literatürdeki diğer çalışmalar ile kıyaslanmış ve önerilen yöntemin başarılı olduğu görülmüştür. Bu çalışmadaki karşılaştırmalı sonuçlar neticesinde, önerilen stacking topluluk öğrenmesi OCT görüntülerinden retina hastalıklarının tespitinde kayda değer sonuçlar göstermesi, klinik ortamda uzmana yardımcı bilgisayar destekli erken tanı sistemlerin gelişimine öncelik sağlayacağı düşünülmektedir. Ayrıca bu çalışma derin öğrenme ve topluluk öğrenmesi yöntemlerinin birlikte kullanması ile OCT görüntülerinde retina hastalıklarının tespitinde etkili sınıflandırma performansının elde edilmesi, literatürde yeni hibrit tekniklerin gelişimine katkı sunacaktır. Ek olarak FT-CNN mimarisinin test görüntülerini sınıflandırılmasında sırasında modelin tahmininin arkasındaki nedenler, açıklanabilir yapay zekâ tekniklerinden Gradyan Ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) yardımıyla değerlendirilmiştir. Bu çalışmada Grad-CAM aracılığıyla ısı haritaları oluşturularak uzmanların tanıya yaklaşımını destekleyici ve tahmini kolaylaştırabilen görseller sunulmuştur. Bu görsel açıklamalar, OCT görüntülerinde retina hastalıklarının tespiti için geliştirilen bilgisayar destekli tanı sistemlerinin geliştirilmesine katkı sağlayacaktır.