Diyabetik retinopati hastalığının teşhisi için derin öğrenme ile retinal fundus görüntülerinin sınıflandırılması

Basit Öğe Kaydı
dc.contributor.advisorTüfekci, Pınar
dc.contributor.authorGezici, Burak
dc.date.accessioned2024-10-29T18:44:57Z
dc.date.available2024-10-29T18:44:57Z
dc.date.issued2024
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
dc.descriptionFen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
dc.description.abstractBu çalışmada, diyabetik retinopati hastalığının teşhisi ve hastalığın seviyesinin belirlenmesi, bir sınıflandırma problemi olarak ele alınmış ve tahmin edilmeye çalışılmıştır. Bu amaçla, popüler bir veri seti olan APTOS 2019 veri setinin 224x224 filtrelenmiş versiyonu seçilmiş olup, bu veri setinden, çok sınıflı ve az sınıflı olmak üzere toplamda 5 adet yeni veri seti daha oluşturulmuştur. Orijinal veri seti ve yeni oluşturulan yeni veri setlerine, CNN tabanlı mimariler (5 Layer CNN, EfficientNetB0, EfficientNetB1, VGG16, VGG16-TL, VGG19-TL, MobilNet, MobileNet V2, bizim tasarladığımız CNN, GoogleNet, DenseNet121 ve ResNet50) uygulanarak ve farklı veri bölümlendirmeleri seçilerek (80-20 eğitim-test, 3,5 ve 10 kez çapraz doğrulama) geniş çaplı bir modelleme çalışması yapılmıştır. Sonuç olarak, hastalık seviyesinin sınıflandırması için en iyi model, %94.82 test doğruluk başarısı ile MobilNet V2 modeli olarak; hastalık tahmini için de en iyi model, %99.26 test doğruluk başarısı ile DenseNet121 modeli olarak bulunmuştur.
dc.description.abstractIn this study, the diagnosis of diabetic retinopathy and the determination of the level of the disease is considered as a classification problem and prediction is attempted. For this purpose, the 224x224 filtered version of the APTOS 2019 dataset, which is a popular dataset, was selected and a total of 5 new datasets were created from this dataset, including multi-class and low-class datasets. A large-scale modeling study was conducted by applying CNN-based architectures (5 Layer CNN, EfficientNetB0, EfficientNetB1, VGG16, VGG16-TL, VGG19-TL, MobilNet, MobileNet V2, our designed CNN, GoogleNet, DenseNet121 and ResNet50) to the original dataset and the newly created new datasets and by choosing different data partitions (80-20 training-testing, 3,5 and 10 times cross-validation). As a result, the best model for disease level classification was found to be the MobilNet V2 model with 94.82% test accuracy and the best model for disease prediction was found to be the DenseNet121 model with 99.26% test accuracy.
dc.identifier.endpage95
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=usXiZIM9Lp0wk-YzRoaT-5Q_o2fwMDGwjUB20HIgmn7AYuzHLTNtD5SsMoSEtBfV
dc.identifier.urihttps://hdl.handle.net/20.500.11776/15310
dc.identifier.yoktezid885776
dc.language.isotr
dc.publisherTekirdağ Namık Kemal Üniversitesi
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
dc.subjectComputer Engineering and Computer Science and Control ; Bilim ve Teknoloji
dc.titleDiyabetik retinopati hastalığının teşhisi için derin öğrenme ile retinal fundus görüntülerinin sınıflandırılması
dc.title.alternativeClassification of retinal fundus images with deep learning for diagnosis of diabetic retinopathy
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu