Derin öğrenme teknikleri ile fundus görüntülerinden glokom hastalığı tespiti

Günümüzde insan nüfusunun hızlı bir şekilde artması sağlık alanında iş yükünün artmasına neden olmuştur. Doktor ve hastalar açısından hastalıkların erken tanı, teşhisi ve tedavi yöntemleri son derece önemli hale gelmiştir. İnsan gözündeki fizyolojik değişikliklerin tanımlanması, sağlık sektöründe zorlu bir görevdir. Bu nedenle retinal görüntü analizi, günümüzde hastalık tespit sistemlerinde hastalığın taranması ve teşhisinde araştırmacılar arasında daha fazla ilgi görmüştür. Özellikle tespit edilmesi zor hastalıkların erken teşhisi insan hayatının devamlılığı açısından önem arz etmektedir. Glokom hastalığı temel olarak gözdeki optik sinirin bozulmasından kaynaklanan bir göz hastalığıdır. Başlangıç evresinde kesin tanı açsından belirti göstermeyen bu hastalığın erken tespiti oldukça zordur. Bu çalışmada, genel erişime açık retinal fundus görüntülerinden glokom hastalığı tespiti metasezgisel optimizasyon algoritması ile birleştirilmiş derin öğrenme yaklaşımının kullanıldığı bir yöntem önerilmiştir. Önerilen yöntemde, öncelikle retinal fundus görüntülerinden oluşan veri kümesinden Evrişimli Sinir Ağı mimarilerinden DenseNet201 ve Inceptionv3 mimarisi ile özellik çıkarımı yapılmıştır. Veri kümesinden ilgisiz özellikleri elemek ve ideal verilere ulaşmak için metasezgisel optimizasyon algoritmalarından Balina Optimizasyon Algoritması (BOA) ve Parçacık Sürü Optimizasyonu (PSO) kullanılmıştır. BOA ve PSO farklı popülasyon büyüklükleri ve iterasyon sayılarına göre optimal özellik seçiminde kullanılmıştır. Orijinal veri kümesi ve ile özellik seçimi yapıldıktan sonra elde edilen yeni veri kümelerine Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu, Karar Ağacı, Logistic Regression ve Topluluk Öğrenme sınıflandırıcıları uygulanmıştır. Sınıflandırma algoritmalarının performanslarının değerlendirilmesi aşamasında ise doğruluk, duyarlılık, özgüllük ve f1-ölçütü metrikleri kullanılmıştır. Elde edilen sonuçlara göre BOA ve PSO ile belirlenen alt veri kümelerinden sınıflandırıcının performanslarında umut verici değerler elde edildiği gözlemlenmiştir.