Diyabetik retinopati sınıfladırmasında derin öğrenme, transfer öğrenme ve model birleştirme yaklaşımları
Deep learning, transfer learning and model ensemble approaches in diabetic retinopathy classification
- Tez No: 1018157
- Danışmanlar: DOÇ. DR. KEMAL BALIKÇI, PROF. DR. UFUK BAL
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Derin öğrenme, Diabetik retinopati, Görüntü sınıflandırma, Topluluk öğrenme, Transfer öğrenimi, Deep learning, Diabetic retinopathy, Image classification, Ensemble learning, Transfer learning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Osmaniye Korkut Ata Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diyabetik retinopati, diyabetin mikrovasküler komplikasyonları arasında yer alan ve ileri evrelerinde görme kaybına yol açabilen önemli bir göz hastalığıdır. Mevcut tanı yöntemleri, retina fundus görüntülerinin uzman hekimler tarafından manuel olarak değerlendirilmesine dayanmaktadır. Literatürde diyabetik retinopatinin sınıflandırılmasına yönelik çalışmalarda çoğunlukla bireysel derin öğrenme mimarileri kullanılmış, veri setlerindeki sınıf dengesizliğinin ise model performansını olumsuz etkileyebildiği gösterilmiştir. Bu çalışmada, APTOS 2019 veri seti üzerinde diyabetik retinopatinin beş sınıflı otomatik sınıflandırılması için iki farklı yaklaşım incelenmiştir. İlk yaklaşımda, EfficientNetV2-L, SwinV2-B ve ConvNeXt-B modellerinden elde edilen sınıf olasılığı çıktıları meta-öğrenicilerde birleştirilerek karar düzeyinde istifleme tabanlı topluluk öğrenme yaklaşımı uygulanmıştır. İkinci yaklaşımda ise ConvNeXt-Base, Swin Transformer-Base ve EfficientNet-B5 modellerinden çıkarılan derin öznitelik vektörleri birleştirilerek öznitelik düzeyinde füzyon yaklaşımı kurulmuştur. Her iki yaklaşımda da ImageNet üzerinde önceden eğitilmiş ağırlıklar kullanılarak transfer öğrenmeden yararlanılmıştır. Karar düzeyinde istifleme tabanlı topluluk öğrenme çerçevesinde en yüksek performans, lojistik regresyon meta-öğrenicisi ile %84,72 doğruluk ve %70,00 F1-skor olarak elde edilmiştir. Öznitelik düzeyinde füzyon yaklaşımı ise test kümesinde %87,31 doğruluk, %75,08 F1-skor ve 0,9262 kuadratik ağırlıklı kappa değeri üretmiştir. Elde edilen bulgular, diyabetik retinopati sınıflandırmasında hem karar düzeyinde istifleme tabanlı topluluk öğrenme yaklaşımının hem de öznitelik düzeyinde füzyon yaklaşımının rekabetçi performans değerleri elde edilebileceğini göstermektedir.
Özet (Çeviri)
Diabetic retinopathy is a significant eye disease among the microvascular complications of diabetes that can lead to vision loss in its advanced stages. Current diagnostic methods rely on the manual evaluation of retinal fundus images by specialist physicians. Studies in the literature on the classification of diabetic retinopathy have predominantly used individual deep learning architectures, and it has been demonstrated that class imbalance in datasets can negatively impact model performance. In this study, two different approaches for the five-class automatic classification of diabetic retinopathy were investigated using the APTOS 2019 dataset. In the first approach, a decision-level stacking-based ensemble learning approach was applied by combining class probability outputs obtained from the EfficientNetV2-L, SwinV2-B, and ConvNeXt-B models within meta-learners. In the second approach, a feature-level fusion approach was established by combining deep feature vectors extracted from the ConvNeXt-Base, Swin Transformer-Base, and EfficientNet-B5 models. In both approaches, transfer learning was utilized by employing weights pre-trained on ImageNet. Within the decision-level stacking-based ensemble learning framework, the highest performance was achieved using a logistic regression meta-learner, yielding an accuracy of 84.72% and an F1-score of 70.00%. The feature-level fusion approach, meanwhile, produced an accuracy of 87.31%, an F1-score of 75.08%, and a quadratic-weighted kappa value of 0.9262 on the test set. The findings demonstrate that both the decision-level stacking-based ensemble learning approach and the feature-level fusion approach can achieve competitive performance metrics in the classification of diabetic retinopathy.
Benzer Tezler
- Diyabetus mellitus'da gözlenen mikrovasküler komplikasyonların prostaglandinler ile olan ilişkisi
The Relation of microvaskular complications observed in diabetes mellitus with prostoglandins
CANAN NEBİGİL
Doktora
Türkçe
1985
Eczacılık ve FarmakolojiCumhuriyet ÜniversitesiFarmakoloji Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF SARIOĞLU
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER
- Çocuklarda akut stres hiperglisemisinde hormonal değişikliklerin ve kısa süreli prognozun incelenmesi
Başlık çevirisi yok
AYGÜN DİNDAR
Tıpta Uzmanlık
Türkçe
1987
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Hemşireliği Ana Bilim Dalı
DOÇ. DR. HÜLYA GÜNÖZ
- Tedaviye cevap vermeyen diyabetik makula ödeminde vitreoskizisin rolü
The role of vitreoschisis in diabetic macular edema refractory to treatment
MAKBULE BERNA ÖTÜK YAŞAR
Tıpta Uzmanlık
Türkçe
2008
Göz Hastalıklarıİstanbul ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. TUNÇ OVALI