Diyabetik retinopati derecelerinin derin öğrenme - tabanlı sınıflandırılmasında ön işlem yöntemlerinin etkisinin analiz edilmesi

Diyabetik retinopati (DR), diyabetin ciddi bir komplikasyonu olup tedavi edilmediği takdirde görme kaybına yol açabilen bir göz hastalığıdır. Erken teşhis ve doğru derecelendirme, etkili tedavi süreçleri için oldukça kritik bir öneme sahiptir. Bu bağlamda, derin öğrenme tabanlı sınıflandırma yöntemleri DR'nin tespitinde umut vadeden yaklaşımlar sunmaktadır ancak derin öğrenme modellerinin başarısı, kullanılan ön işlem yöntemlerine büyük ölçüde bağlıdır. Tez kapsamında, DR hastalığının farklı derecelerinin derin öğrenme tabanlı sınıflandırılmasında, çeşitli ön işlem yöntemlerinin etkileri incelenmektedir. Tez çalışması kapsamında, farklı ön işlem tekniklerinin (Gaussian blur, eşikleme, kontur tespiti, CLAHE ve median blur) sınıflandırma performansı üzerindeki etkileri analiz edilmektedir. Ön işlem yöntemleri iki farklı adımda uygulanmaktadır. Veri setine ilk olarak Gaussian blur yöntemi, eşikleme yöntemi ve kontur tespiti yöntemi uygulanmış (ilk ön işlem adımı) ve eğitilmiş, ardından ilk ön işlem adımı uygulanmış görüntülere ikinci ön işlem adımında CLAHE ve Median blur yöntemleri uygulanmış (ikinci ön işlem adımı) ve eğitilmiştir. EfficientNetB5, VGG16 ve VGG19 gibi transfer öğrenme tabanlı modeller kullanılmakta ve her birinin ön işlem adımlarından sonra elde edilen sonuçları karşılaştırılmaktadır. APTOS ve Diabetic Retinopathy (resized) olmak üzere iki farklı veri seti üzerinde gerçekleştirilen deneylerde, veri setlerine uygulanan ön işlem yöntemlerinin sınıflandırma doğruluğu, kesinlik, duyarlılık ve F1 skor gibi performans metrikleri üzerindeki etkileri değerlendirilmektedir. APTOS veri seti için transfer öğrenme yöntemlerinin herhangi bir ön işlem uygulanmadan önceki doğruluk (accuracy) oranı EfficientNetB5 (%96,09), VGG16 (%95,18) ve VGG19 (%95,25) olarak; ilk ön işlem adımı uygulandıktan sonra (Gaussian blur – eşikleme – kontur tespiti) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%95,49), VGG16 (%95,40) ve VGG19 (%95,05) olarak; ikinci ön işlem adımı uygulandıktan sonra (CLAHE – Median blur) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%93,63), VGG16 (%95,18) ve VGG19 (%94,89) olarak elde edilmektedir. Diabetic Retinopathy (resized) veri seti için transfer öğrenme yöntemlerinin herhangi bir ön işlem uygulanmadan önceki doğruluk oranı EfficientNetB5 (%87,95), VGG16 (%89,72) ve VGG19 (%89,72) olarak; ilk ön işlem adımı uygulandıktan sonra (Gaussian blur – eşikleme – kontur tespiti) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%87,77), VGG16 (%89,54) ve VGG19 (%89,54) olarak; ikinci ön işlem adımı uygulandıktan sonra (CLAHE – Median blur) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%87,21), VGG16 (%89,54) ve VGG19 (%89,54) olarak elde edilmektedir. Ayrıca, ön işlem yöntemlerinin modelin doğruluk ve kayıp eğrilerindeki rolü incelenmektedir. Sonuçlar, kullanılan ön işlem adımlarının model performansında kısmi iyileştirmeler sağladığını ancak sonuçların sınıflandırma doğruluğunu büyük ölçüde artırmadığını göstermektedir. Bu bulgular, derin öğrenme tabanlı sınıflandırma süreçlerinde ön işlem yöntemlerinin her zaman belirgin bir performans artışı sağlamayabileceğini ancak görüntü kalitesini iyileştirme ve model stabilitesine katkı sunma açısından önemli olabileceğini göstermektedir. Çalışma, DR tanısında kullanılacak derin öğrenme modelleri için uygun ön işlem stratejilerinin belirlenmesine yönelik kapsamlı bir çerçeve sunmaktadır. Tez çalışması, DR tanısının daha hızlı ve güvenilir bir şekilde yapılabilmesi için derin öğrenme tabanlı çözümlerin geliştirilmesine katkı sağlamayı amaçlamaktadır.