Prematüre retinopati (ROP) teşhisinde derin öğrenme tabanlı retina görüntü segmentasyonu ve sınıflandırması

Bu tez çalışması, prematüre retinopatisi (ROP) tanısında kullanılmak üzere iki aşamalı, derin öğrenme temelli bir yaklaşım önermektedir. Çalışmanın ilk aşamasında, retinal damar yapılarının hassas segmentasyonu için Attention U-Net mimarisini temel alan VesSegNet geliştirilmiş ve dikkat mekanizmalarıyla güçlendirilmiştir. Model, DRIVE veri seti üzerinde eğitilmiş; farklı damar yapılarının etkili şekilde öğrenilmesi için hibrit bir kayıp fonksiyonu kullanılmıştır. Elde edilen segmentasyon çıktıları, özellikle ince damar yapılarının ayrıntılı olarak ortaya konmasını sağlamış ve daha önce segmente edilmemiş FARFUM-ROP veri setinde başarılı damar haritaları üreterek ikinci aşamada kullanılmak üzere transfer edilmiştir. İkinci aşamada, segmente edilen damar maskeleri ve orijinal ROP fundus görüntüleri birlikte değerlendirilerek ROP plus hastalığı sınıflandırılması (no-plus, pre-plus, plus) hedeflenmiştir. Bu amaçla, EfficientNet tabanlı çift kollu (dual-branch) bir füzyon mimarisi tasarlanmıştır. Deneysel sonuçlar, VesSegNet'in DRIVE test setinde 0.807 F1 skoru, FusionROPNet'in ise ROP plus sınıflandırmasında 0.8137 makro F1 skoru ile yüksek performans gösterdiğini ortaya koymaktadır. ROP tanısında damar morfolojisinin klinik önemi göz önünde bulundurularak, segmentasyon bilgisi sınıflandırma sürecine entegre edilmiştir.