Genişletilmiş lateral inhibisyon yöntemiyle oct verileri üzerinden retinal hastalıkların sınıflandırılması

Bu tez çalışması, Optik Koherens Tomografi (OCT) görüntüleri üzerinden retinal hastalıkların otomatik olarak sınıflandırılması amacıyla lateral inhibisyon prensibini entegre eden yenilikçi bir derin öğrenme modeli geliştirmeyi hedeflemektedir. Retina hastalıkları, küresel ölçekte ciddi görme kaybına yol açmakta olup, erken ve doğru tanının önemi büyüktür. Geleneksel yöntemlerle OCT görüntülerinin manuel analizi, zaman alıcı ve hata payı yüksek bir süreçtir. Bu durum, makine öğrenimi destekli analiz yöntemlerine olan ihtiyacı belirgileştirmiştir. Son yıllarda derin öğrenme teknikleri, retinal hastalıkların sınıflandırılması görevlerinde yüksek doğruluk oranları sağlamıştır. Ancak biyolojik esinlenmeli yaklaşımların bu alandaki potansiyeli yeterince incelenmemiştir. Bu çalışmada, biyolojik sinir ağlarında bulunan lateral inhibisyon mekanizmasından esinlenerek, bunun derin öğrenme mimarilerine entegre edilmesiyle, retinal hastalıkların daha etkin sınıflandırılmasına yönelik bir model geliştirilmiştir. DenseNet121, InceptionV3, ResNet50 ve Xception gibi popüler CNN mimarileri kullanılarak elde edilen sonuçlar, lateral inhibisyonun genel model performansını belirgin ölçüde artırdığını göstermiştir. Yapılan karşılaştırmalı analizlerde lateral inhibisyon uygulanan modellerin özellikle CNV ve DME sınıflarında daha yüksek F1-skorları ve doğruluk değerleri elde ettiği tespit edilmiştir. Sonuçlar, lateral inhibisyon prensibinin derin öğrenme modellerine entegrasyonunun OCT görüntülerinin sınıflandırılmasında önemli bir performans artışı sağladığını ortaya koymaktadır. Bu yaklaşımın klinik ortamlarda retinal hastalıkların erken ve doğru teşhisine katkıda bulunacağı düşünülmektedir. Gelecekte yapılacak çalışmaların, farklı tıbbi görüntüleme yöntemleri ve daha geniş veri setleri üzerinde lateral inhibisyon prensibinin etkisini inceleyerek, bu yöntemin klinik uygulamalarda yaygın olarak kullanılabileceği düşünülmektedir.