Diyabetik retinopati teşhisi için derin öğrenme tabanlı sınıflandırma analizi
| dc.contributor.advisor | Baki, Rahmi | |
| dc.contributor.advisor | Adem, Kemal | |
| dc.contributor.author | Budak, Dilan | |
| dc.date.accessioned | 2025-01-21T11:00:05Z | |
| dc.date.available | 2025-01-21T11:00:05Z | |
| dc.date.issued | 2024 | |
| dc.date.submitted | 2024-09-27 | |
| dc.department | Sosyal Bilimler Enstitüsü | |
| dc.description.abstract | 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. | |
| dc.description.abstract | Diabetic retinopathy is an eye disease that occurs in people with diabetes. Early diagnosis of this disease is essential. Artificial intelligence has various applications in the medical field, using advanced algorithms such as big data analytics and deep learning. These systems can be used to support expert doctors' diagnoses or to screen a large population of patients to help with early diagnosis. In this study, an Aptos dataset of 3662 samples of normal, mild, moderate, severe and proliferative fundus eye images and a unique dataset of 7915 images were prepared. The effects of hyperparameters on the classification performance of convolutional neural network models were analyzed using two different datasets. The hyper-parameters evaluated include fixed learning rate, learning rate planning methods, activation functions, L2 regularization, data augmentation techniques and optimization algorithms. Various preprocessing steps were applied to improve the classification success of the images and training was performed using the ResNet34 model with a transfer learning approach. Initially, the model was trained with an SGD optimization algorithm on 3662 Aptos datasets. Then, the model was retrained on 7915 datasets with the Momentum optimization algorithm using data augmentation techniques and L2 regularization, and the results showed an increase of 9.93% in ReLU and 8.99% in Leaky ReLU compared to the initial value. The results showed that the ReLU activation function achieved 0.786 accuracy and F1 score, while Leaky ReLU achieved the highest success with 0.751 accuracy and F1 score. These findings emphasize the importance of hyperparameters in the classification of fundus eye images. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/12778 | |
| dc.language.iso | tr | |
| dc.publisher | Aksaray Üniversitesi Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Aktivasyon Fonksiyonları | |
| dc.subject | Optimizasyon Algoritmaları | |
| dc.subject | L2 Düzenleme | |
| dc.subject | Diyabetik Retinopati | |
| dc.title | Diyabetik retinopati teşhisi için derin öğrenme tabanlı sınıflandırma analizi | |
| dc.title.alternative | Deep learning based classification analysis for diabetic retinopathy diagnosis | |
| dc.type | Master Thesis |
