Görsel dikkat tabanlı U-Net derin öğrenme modeli kullanılarak glokom için optik disk segmentasyonu

Bu tez, glokom hastalığının erken teşhisini desteklemek ve teşhis sürecini hızlandırmak amacıyla derin öğrenme tekniklerini kullanarak optik disk segmentasyonunu ele almaktadır. Glokom, görme kaybına neden olabilen yaygın bir göz hastalığıdır ve erken teşhis edilmediğinde kalıcı hasarlara yol açabilir. Optik disk, glokom teşhisinde kritik bir yapıda olup optik sinir liflerinin çıkış noktasını içermektedir. Bu çalışmada, optik disk segmentasyonunu gerçekleştirmek için UNet mimarisini temel alarak özelleştirilmiş bir attention UNet modeli kullanmaktadır. Encoder kısmında, geleneksel UNet'e ek olarak Channel Attention ve Patch-Based Attention mekanizmaları entegre edilmiştir. Decoder kısmında ise Spatial Attention kullanılmıştır. Bu sayede, model görüntü içindeki önemli özelliklere daha hassas bir şekilde odaklanarak segmentasyon performansını artırması hedeflenmiştir. Bu özelleştirilmiş attention mekanizmaları, modelin daha belirgin özelliklerin vurgulanmasını ve daha doğru sonuçlar elde etmesini sağlar. Önerilen model, derin öğrenme ve görüntü işleme tekniklerini bir araya getirerek glokom teşhisinde yardımcı olabilecek doğru ve hızlı bir segmentasyon sağlamayı amaçlamaktadır. İlgili çalışmanın sonuçları, önerilen modelin yüksek doğruluk ve hassasiyet sağladığını göstermektedir. Mevcut yöntemlerle karşılaştırıldığında modelin glokom teşhis sürecini iyileştirebileceği ve klinik uygulamalarda kullanılabilir olduğunu bizlere göstermektedir. Bu tez, glokom hastalarının erken teşhis edilmesi ve tedavi edilmesi sürecine katkıda bulunarak görme kaybını önlemeye yönelik önemli bir adımı temsil etmektedir. Gelecekteki çalışmalar, modelin genişletilmesi ve farklı veri kaynaklarıyla test edilmesi üzerine odaklanabilir, böylece daha geniş bir hasta yelpazesinde uygulanabilirliği artırılabilir.