Diyabetik retinopati teşhisi için derin öğrenme tabanlı sınıflandırma analizi

Diyabetik retinopati, diyabet (şeker hastalığı) olan kişilerde görülen bir göz hastalığıdır. Bu hastalığın erken teşhisi önemlidir. Yapay zekâ, büyük veri analitiği ve derin öğrenme gibi gelişmiş algoritmaları kullanarak, tıp alanında çeşitli uygulamalara sahiptir. Bu sistemler uzman doktorların teşhislerini desteklemek veya büyük bir hasta kitlesini tarayarak erken teşhis için yardımcı olmak amacıyla kullanılabilir. Bu çalışmada, normal, hafif, orta, şiddetli ve proliferatif fundus göz görüntülerinden oluşan 3662 örnekten oluşan Aptos veri seti ile 7915 görselden oluşan özgün bir veri seti hazırlanmıştır. İki farklı veri seti kullanılarak evrişimsel sinir ağı modellerinde hiper parametrelerin sınıflandırma performansı üzerindeki etkileri incelenmiştir. Değerlendirilen hiper parametreler arasında sabit öğrenme oranı, öğrenme oranı planlaması yöntemleri, aktivasyon fonksiyonları, L2 düzenleme, veri artırma teknikleri ve optimizasyon algoritmaları yer almaktadır. Görüntülerin sınıflandırma başarısını artırmak için çeşitli ön işleme adımları uygulanmış ve transfer öğrenme yaklaşımıyla ResNet34 modeli kullanılarak eğitim gerçekleştirilmiştir. Başlangıçta 3662 Aptos veri seti üzerinde SGD optimizasyon algoritması ile model eğitilmiştir. Daha sonra 7915 veri seti üzerinde veri artırma teknikleri, L2 regülarizasyon kullanılarak Momentum optimizasyon algoritmasıyla tekrar eğitime tabi tutulmuş olup çıkan sonuçlar neticesinde başlangıç değerine göre ReLU %9,93, Leaky ReLU %8,99 oranında bir yükselme göstermiştir. Elde edilen sonuçlar, ReLU aktivasyon fonksiyonunun 0,786 doğruluk ve F1 skoru, Leaky ReLU'nun ise 0,751 doğruluk ve F1 skoru ile en yüksek başarıyı sağladığını göstermiştir. Bu bulgular, fundus göz görüntülerinin sınıflandırmasında hiper parametrelerin önemini vurgulamaktadır.