Refraksiyon bozukluklarının yapay zeka ve eksantrik fotorefraksiyon yöntemleri kullanılarak tahmin edilmesi
Prediction of refraction disorders using ai and eccentric photorefraction methods
- Tez No: 789921
- Danışmanlar: DOÇ. DR. EREN ÇERMAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Göz Hastalıkları, Eye Diseases
- Anahtar Kelimeler: Derin öğrenme, eksantrik fotorefraksiyon, refraksiyon kusurları, yapay zeka, yüksek miyopiyi tahmin etme, Artificial intelligence, deep learning, eccentric photorefraction, predicting high myopia, refractive errors
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Göz Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı toplumda sık görülen kırma kusurlarını tespit etmek üzere göz fotoğrafları çekerek yapay zeka ile programlanan bir model ile hızlı, dinamik ve sürekli olarak kırma kusuru ölçen bir yöntem geliştirmektir. Gereç ve Yöntemler: Python programlama dili ve kütüphaneleri kullanılarak videografik görüntülerden insan yüzü ve gözü tanıyan bir uygulama geliştirildi. Altı kadranda kızılötesi LED ışık sistemi bulunan bir kamera kullanılarak bir eksantrik fotorefraksiyon düzeneği oluşturuldu. Gönüllülerin otorefraktometre ile refraksiyon kusuru tespit edildikten sonra kamera çekimi sırasında gözlerin eksantrik fotorefraksiyon görüntüleri kaydedildi. İlk etapta 20 gönüllüden çekilen 36.216 görüntü ile eğitim yapılarak Model 1 olarak adlandırdığımız sferik ve silindirik refraksiyon kusuru tahmini yapabilen derin öğrenme modeli geliştirildi. İkinci etapta iki gönüllüden elde edilen 76.908 görüntü ile sadece sferik eşdeğeri ölçmek için Model 2 geliştirildi. Test grubu verilerle her iki modelin değerlendirilmesi yapıldı. Bulgular: Gerçek refraksiyon değerleri ile Model 1'in tahminleri karşılaştırıldığında sferik eşdeğer için orta düzeyde korelasyon izlenirken (r=0,419, p<0,001), astigmat değerlerinde korelasyon izlenmedi (r= -0,10, p=0,080). Model 2'de ise sferik eşdeğer için çok yüksek düzeyde korelasyon izlendi (r= 0,983, p<0,001). Güvenilirlik analizi yapılarak Cronbach alpha değeri 0,990 olarak bulundu. Model 2'nin ortalama mutlak hatası 0,69 olarak bulundu. Bland-Altman analizi ile Model 2'nin tahminleri ile gerçek refraksiyon değerlerinin birbiriyle uyumlu olduğu gözlemlendi. Model 2'nin tahminlerindeki doğruluk oranları, 0.50 D hata payı içinde 0,41 iken 1 D hata payı içinde 0,75 ve 2 D hata payı içinde 0,99 olarak bulundu. Model 2'nin yüksek miyopiyi (<-5.00 D) tahmin etme performansı değerlendirilmek üzere ROC analizi yapıldı ve eğri altındaki alan 0,995 olarak izlenirken, doğruluk: %95,67, özgüllük: %95,76 ve duyarlılık %95,29 olarak bulundu. Sonuç: Geliştirilen derin öğrenme modelinin çok yüksek korelasyon ile refraksiyon kusurlarını tahmin ettiği görüldü. Aynı zamanda modelin yüksek miyopiyi tahmin etme performansının oldukça başarılı olduğu görüldü. Yapılacak ek çalışmalarla iii birlikte, yapay zekanın eğitimindeki bilgi birikimin artmasıyla daha doğru refraktif kusur tahmini veren modeller geliştirilebilir ve bu sistemler pratik hayata geçirilebilir.
Özet (Çeviri)
Purpose: The aim of this study is to develop a fast, dynamic and continuous method of measuring common refractive error with a model programmed with artificial intelligence by taking dynamic eye photos. Materials and methods: Python programing language and libraries was used to develop an application that recognizes human face and eyes from videographic images. An eccentric photorefraction setup was created using a camera with an infrared LED light system in six quadrants. After the refraction error of the volunteers was detected with an autorefractometer, the eccentric photorefractive images of the eyes were recorded during the camera shooting. In the first stage, a deep learning model called Model 1 was developed by training with 36216 images taken from 20 volunteers to predict spherical and cylindrical refractive errors. In the second stage, Model 2 was developed to measure only spherical errors with 76908 images obtained from two volunteers. Both models were evaluated with test set. Results: The spherical equivalent predictions of Model 1 had a moderate correlation with the actual refraction values (r=0.419, p<0.001), but no correlation was observed in the prediction of astigmatism values (r= -0.10, p=0.080). In Model 2, a very high level of correlation was observed for the spherical equivalent predictions (r=0.983, p<0.001). Reliability analysis was performed and the Cronbach alpha value was found to be 0.990. The mean absolute error of Model 2 was 0.69 D. The Bland-Altman analysis was showed that the predictions of Model 2 and the actual refraction values were compatible with each other. The accuracy rates of Model 2's predictions were 0.41, 0.75, and 0.99 within the 0.50 D, 1 D, and 2 D margins of error, respectively. ROC analysis was performed to evaluate the performance of Model 2 in predicting high myopia (<-5.00 D), and the area under the curve was 0.995, with an accuracy of 95.67%, specificity of 95.76%, and sensitivity of 95.29. Conclusion: It has been observed that the developed deep learning model predicts spherical refraction errors with very high correlation. In addition, it was seen that the model had high success rate for predicting high myopia. With the additional researches and with increasing the knowledge for training of artificial intelligence, models can be v developed that can estimate refractive errors more accurately and these systems could be made more practical.
Benzer Tezler
- Çimentonun sertleşmesi üzerinde kimyasal komponentlerin etkisi
Başlık çevirisi yok
NACİYE TÜRKEL
Yüksek Lisans
Türkçe
1986
Kimya MühendisliğiUludağ ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. MUSTAFA CEBE
- A-ve B- naftalinsulfonik asit sentezleri üzerine çalışmalar
A Study on the synthesis of A-;B- naphtalenesulphanic acid
YILMAZ YILDIRIR
- Patatesteki C vitamininin bozunma kinetiği
Başlık çevirisi yok
ÇİĞDEM GİRAY
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SUZAN KINCAL