Building smart algorithm to extract features of topographic images of a human eye
| dc.contributor.advisor | Akgün, Özlem | |
| dc.contributor.author | Abdülhüssein, Nazar Salih | |
| dc.date.accessioned | 2019-07-18T10:20:30Z | |
| dc.date.available | 2019-07-18T10:20:30Z | |
| dc.date.issued | 2018 | |
| dc.date.submitted | 2018-01-10 | |
| dc.department | Fen Bilimler Enstitüsü | |
| dc.description.abstract | İnsan gözünü etkileyen çok sayıda hastalıklar için kesin bir tanı koymak önemli bir sorumluluktur. Bu nedenle, doktorların teşhisle ilgili kararlarını geliştirmek için yeni, akıllı algoritmalar geliştirmek gereklidir. Yakın zamanda bulunan Pentacam, kornea için topoğrafik haritaları gösteren, bunlar üzerindeki değişiklikleri ölçebilen ve doktorların kesin bir teşhis yapmasına yardımcı olan bir ölçüm sistemidir. Bu çalışma, Pentacam sisteminin okumasını geliştirmek için kornea topoğrafisi haritalarından elde edilen özellikleri seçip çıkarmaktadır ve çıkarılmış özelliklerin analitik incelenmesiyle derin öğrenme tekniklerini kullanarak kesin teşhisi koymayı desteklemektedir. Kornea topoğrafik haritalarından güçlü özellikle elde etmek için VGG-16 ağı kullanılarak 16 katmanlı bir kıvrımlı sinir ağı (CNN) eğitilmiştir. Normal ve anormal olmak üzere iki gruba ayrılan her iki cinsiyetin (414 kadın, 318 erkek) genişletilmiş topoğrafik görüntülerinden 732 insan gözü örneği seçilmiştir. Hastaların yaşları 12 ile 76 arasında değişmektedir. Bu çalışmanın yöntemi üç ana adımdan oluşmaktadır: (1) Refraktif (Kırılma) harita türüne göre çıkarılmış özelliklerin sınıflandırılması (tahmin edilen doğruluk payı %96.6'dır); (2) her bir harita için klinik durumunun tahmini (normal veya anormal) (tahmin edilen doğruluk payı %88.8, %98.9, %94.8, ve Sagital harita için %94.5'dir, sırasıyla yükseklik ön haritası, yükseklik arka haritası, ve kornea yüksekliği haritası), ve (3) tahmini sonuçlar ve klinik karar vermedir. Aralarındaki uyum, önerilen algoritmanın gücünü ve kullanışlılığını gösteren %94.72 değerine ulaşmaktadır. | |
| dc.description.abstract | Precise diagnosis for a wide range of diseases infecting the human eye is a commitment. Therefore, developing new, smart algorithms is necessary to enhance doctors' diagnostic decisions. The recently invented Pentacam® is a measurement system that introduces topographic maps for the cornea, measures changes upon it, and helps doctors to make a precise diagnosis. This study extracts features from corneal topographic maps to improve the Pentacam® readings and further support precise diagnosing by using deep learning techniques, with an analytical view of the extracted features. A 16-layer convolutional neural network (CNN) was trained using the VGG-16 network to extract powerful features from corneal topographic maps. A sample of 732 human eyes were selected from enlarged topographic images from both genders (414 females and 318 males), divided into two groups: normal and abnormal. The patients' ages ranged from 12 to 76 years. The procedure of the study consisted of three major steps: (1) classification of the extracted features according to the refractive map type (where the estimated accuracy was 96.6%); (2) prediction of the clinical state (normal or abnormal) per individual map (where the estimated accuracy was 88.8%, 98.9%, 94.8%, and 94.5% for the sagittal map, the elevation front map, the elevation back map, and the corneal thickness map, respectively); and (3) comparison of the predicted results and clinical decision-making. The agreement between them reaches about 94.72%, which indicated the power and usefulness of the proposed algorithm. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/5248 | |
| dc.language.iso | en | |
| dc.publisher | Aksaray Üniversitesi Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Convolutional Neural Networks | |
| dc.subject | Deep Learning | |
| dc.subject | Features Extraction | |
| dc.subject | Corneal Topographic Maps | |
| dc.subject | VGG-16 | |
| dc.subject | Yapay Zeka | |
| dc.subject | Kıvrımlı Sinir Ağları | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Özellikleri Çıkarma | |
| dc.subject | Kornea Topoğrafi Haritası | |
| dc.title | Building smart algorithm to extract features of topographic images of a human eye | |
| dc.title.alternative | İnsan gözünün topoğrafik görüntülerının özelliklerini elde etmek için akilli algoritma oluşturmak | |
| dc.type | Master Thesis |
