Diyabetik retinopati tanısına yönelik derin öğrenme tabanlı sınıflandırma

Diyabetik Retinopati (DR), diyabetli kişilerde gözün arkasındaki ışığa duyarlı doku tabakası olan retinanın kan damarlarını etkileyen görme kaybına ve körlüğe sebep olabilen bir komplikasyondur. DR hastalığın erken evrelerinde retinadaki kan damarlarının duvarı zayıflar ve çıkıntılar yapar. Bunun sonucunda doku şişer veya kan sızdırır. Bu durum görüntüleme cihazları ve doktor muayenesi ile tespit edilmektedir. Bu tez çalışmasında, DR hastalığının teşhisinde evrişimli sinir ağları (ESA) mimarileri kullanılarak en yüksek doğruluğun elde edilmesi için yaklaşım sunmaktadır. DR hastalığın ESA modelleri ile tespiti için literatürde yaygın kullanılan ve güncel beş sınıflı APTOS 2019 veri seti tercih edilmiştir. Yüksek sınıflandırma doğruluğu elde edebilmek için veri setinin orjinali yanında Grayscale ve Gaussian filtre kullanarak oluşturulan veri setleri ile üç farklı veri kümesine dönüştürülmüştür. Elde edilen üç farklı veri kümesi, görüntü tabanlı ESA mimarilerinden ResNET152V2, ResNet101V2, MobileNet, MobileNetV2, DenseNet169 ve NASNetLarge ile aynı optimum parametreler ile eğitilmiş ve test sonuçları değerlendirilmiştir. Modeller No DR, Mild, Moderate, Severe ve Proliferative DR olmak üzere beş farklı sınıflandırma uygulanmış ve sınıflandırma performansının değerlendirilmesinde doğruluk, kesinlik, duyarlılık ve f1 skoru metrikleri kullanılmıştır. Elde edilen sonuçlar değerlendirildiğinde, orijinal APTOS 2019 veri kümesi üzerindeki eğitimlerde NasNetLarge modeli % 98,96, Grayscale filtreli veri kümesinde MobileNet V2 modeli %99,26 ve Gaussian filtreli model de ise MobileNet V2 % 99,54 ile en yüksek doğruluk değerlerine ulaşmıştır. Orjinal veri kümesine uygulanan filtrelerin sınıflandırma doğruluğunun artmasına katkı sağladığı görülmektedir. Sonuç olarak DR hastalığının teşhisi için Gaussian filtreli veri kümesinde MobileNetV2 modelinin kullanımının hastalık teşhisinde çok yüksek doğruluk ile sınıflandırma yaptığı görülmektedir.