Diyabetik retinopati evrelerinin derin öğrenme tabanlı tespiti

Bu yüksek lisans tezinde, diyabetik retinopatinin (DR) beş evresinin otomatik olarak sınıflandırılmasına yönelik derin öğrenme tabanlı bir model geliştirilmiştir. Çalışmada, APTOS 2019 veri setinde bulunan retina görüntüleri kullanılarak MobileNetV2, DenseNet169, NASNet, VGG19, ConvNeXt Large, EfficientNetB5, EfficientNetB6 ve EfficientNetV2-S olmak üzere sekiz farklı derin öğrenme mimarisi, transfer öğrenme yöntemiyle eğitilmiştir. Görüntü işleme ve veri artırma teknikleri ile sınıf dengesizliği problemleri azaltılmış, model performansı artırılmıştır. Elde edilen sonuçlara göre, EfficientNetV2-S modeli en yüksek başarıyı göstermiş ve ince ayar (fine-tuning) yöntemiyle performansı daha da iyileştirilmiştir. Test aşamasında, geliştirilen model test zamanı artırma (test-time augmentation) yöntemi ile %92,24 doğruluk, %96,77 özgüllük, %92,28 duyarlılık, %92,07 F1 skoru ve %98,99 AUC değerlerine ulaşmıştır. Elde edilen bulgular, geliştirilen sistemin diyabetik retinopatinin erken teşhisinde etkili bir yardımcı tanı aracı olabileceğini göstermektedir.