Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti
Yıl: 2021 Cilt: 23 Sayı: 68 Sayfa Aralığı: 521 - 529 Metin Dili: Türkçe DOI: 10.21205/deufmd.2021236815 İndeks Tarihi: 23-09-2021
Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti
Öz: Glokom, genellikle göz içi basıncının yükselmesi nedeniyle optik sinire zarar veren bir hastalıktır vedünya genelinde geri döndürülemez körlüğün yaygın bir sebebidir. Ancak hastalık erken dönemdetespit edilebilirse görme kaybı önlenebilmektedir. Günümüzde glokom hastalığının tanısı, gelişmişyapay zeka teknikleri kullanılarak bilgisayar destekli sistemler yardımıyla yapılabilmektedir. Buçalışmada, yeni oluşturulmuş büyük ölçekli bir veri setine ait dijital fundus görüntüleri kullanılarakotomatik glokom tespiti için derin evrişimli sinir ağları yöntemi kullanılmıştır. Literatürdesınıflandırma problemlerinde en sık kullanılan mimarilerden VGG16, Inception-V3, EfficientNet,DenseNet, ResNet50 ve MobileNet mimarileri seçilmiştir. Deneysel çalışmalar sonucunda DenseNetmimarisinin %96.19 ile en yüksek başarı oranını elde ettiği görülmüştür. Elde edilen bulgularevrişimli sinir ağlarının normal ve glokomlu görüntüleri sınıflandırmada başarılı bir yöntemolduğunu kanıtlamıştır.
Anahtar Kelime: Diagnosis of Glaucoma Disease using Convolutional Neural Network Architectures
Öz: Glaucoma is a disease that damages the optic nerve, often due to increased intraocular pressure, and is a common cause of irreversible blindness worldwide. However, if the disease can be detected in the early period, vision loss can be prevented. Today, the diagnosis of glaucoma disease can be made with the help of computer-aided systems using advanced artificial intelligence techniques. In this study, deep convolutional neural networks were used for automatic glaucoma detection using digital fundus images of a newly created large-scale data set. VGG16, Inception-V3, EfficientNet, DenseNet, ResNet50 and MobileNet architectures which are the most frequently used architectures in classification problems were selected. As a result of experimental studies, it was seen that the DenseNet architecture achieved the highest accuracy rate with 96.19%. The findings have proven that convolutional neural networks are a successful methods on classification of normal and glaucoma images.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- [1] Y.-C. Tham, X. Li, T. Y. Wong, H. A. Quigley, T. Aung, and C.-Y. Cheng, “Global prevalence of glaucoma and projections of glaucoma burden through 2040: a systematic review and meta-analysis,” Ophthalmology, vol. 121, no. 11, pp. 2081–2090, 2014.
- [2] V. Gulshan et al., “Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs,” Jama, vol. 316, no. 22, pp. 2402–2410, 2016.
- [3] C. S. Lee, D. M. Baughman, and A. Y. Lee, “Deep learning is effective for classifying normal versus age-related macular degeneration OCT images,” Ophthalmol. Retin., vol. 1, no. 4, pp. 322–327, 2017.
- [4] X. Chen, Y. Xu, D. W. K. Wong, T. Y. Wong, and J. Liu, “Glaucoma detection based on deep convolutional neural network,” in 2015 37th annual international conference of the IEEE engineering in medicine and biology society (EMBC), 2015, pp. 715–718.
- [5] U. Raghavendra, H. Fujita, S. V Bhandary, A. Gudigar, J. H. Tan, and U. R. Acharya, “Deep convolution neural network for accurate diagnosis of glaucoma using digital fundus images,” Inf. Sci. (Ny)., vol. 441, pp. 41–49, 2018.
- [6] Y. Chai, H. Liu, and J. Xu, “Glaucoma diagnosis based on both hidden features and domain knowledge through deep learning models,” Knowledge-Based Syst., vol. 161, pp. 147–156, 2018.
- [7] H. Fu et al., “Disc-aware ensemble network for glaucoma screening from fundus image,” IEEE Trans. Med. Imaging, vol. 37, no. 11, pp. 2493–2501, 2018.
- [8] L. Li, M. Xu, X. Wang, L. Jiang, and H. Liu, “Attention based glaucoma detection: A large-scale database and CNN Model,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 10571–10580.
- [9] M. Christopher et al., “Performance of deep learning architectures and transfer learning for detecting glaucomatous optic neuropathy in fundus photographs,” Sci. Rep., vol. 8, no. 1, pp. 1–13, 2018.
- [10] M. N. Bajwa et al., “Two-stage framework for optic disc localization and glaucoma classification in retinal fundus images using deep learning,” BMC Med. Inform. Decis. Mak., vol. 19, no. 1, p. 136, 2019.
- [11] J. Lee, Y. K. Kim, K. H. Park, and J. W. Jeoung, “Diagnosing Glaucoma With Spectral-Domain Optical Coherence Tomography Using Deep Learning Classifier,” J. Glaucoma, vol. 29, no. 4, pp. 287–294, 2020.
- [12] T. R. V. Bisneto, A. O. de Carvalho Filho, and D. M. V. Magalhães, “Generative adversarial network and texture features applied to automatic glaucoma detection,” Appl. Soft Comput., vol. 90, p. 106165, 2020.
- [13] S. M. Shankaranarayana, K. Ram, K. Mitra, and M. Sivaprakasam, “Joint optic disc and cup segmentation using fully convolutional and adversarial networks,” in Fetal, Infant and Ophthalmic Medical Image Analysis, Springer, 2017, pp. 168–176.
- [14] J. Zilly, J. M. Buhmann, and D. Mahapatra, “Glaucoma detection using entropy sampling and ensemble learning for automatic optic cup and disc segmentation,” Comput. Med. Imaging Graph., vol. 55, pp. 28–41, 2017.
- [15] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv Prepr. arXiv1409.1556, 2014.
- [16] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the inception architecture for computer vision,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 2818–2826.
- [17] M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” 36th Int. Conf. Mach. Learn. ICML 2019, vol. 2019-June, pp. 10691–10700, 2019.
- [18] G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 4700–4708.
- [19] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 770– 778, 2016, doi: 10.1109/CVPR.2016.90.
- [20] A. G. Howard et al., “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv Prepr. arXiv1704.04861, 2017.
| APA | UÇAR M (2021). Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. , 521 - 529. 10.21205/deufmd.2021236815 |
| Chicago | UÇAR Murat Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. (2021): 521 - 529. 10.21205/deufmd.2021236815 |
| MLA | UÇAR Murat Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. , 2021, ss.521 - 529. 10.21205/deufmd.2021236815 |
| AMA | UÇAR M Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. . 2021; 521 - 529. 10.21205/deufmd.2021236815 |
| Vancouver | UÇAR M Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. . 2021; 521 - 529. 10.21205/deufmd.2021236815 |
| IEEE | UÇAR M "Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti." , ss.521 - 529, 2021. 10.21205/deufmd.2021236815 |
| ISNAD | UÇAR, Murat. "Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti". (2021), 521-529. https://doi.org/10.21205/deufmd.2021236815 |
| APA | UÇAR M (2021). Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(68), 521 - 529. 10.21205/deufmd.2021236815 |
| Chicago | UÇAR Murat Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 23, no.68 (2021): 521 - 529. 10.21205/deufmd.2021236815 |
| MLA | UÇAR Murat Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, vol.23, no.68, 2021, ss.521 - 529. 10.21205/deufmd.2021236815 |
| AMA | UÇAR M Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi. 2021; 23(68): 521 - 529. 10.21205/deufmd.2021236815 |
| Vancouver | UÇAR M Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi. 2021; 23(68): 521 - 529. 10.21205/deufmd.2021236815 |
| IEEE | UÇAR M "Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti." Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23, ss.521 - 529, 2021. 10.21205/deufmd.2021236815 |
| ISNAD | UÇAR, Murat. "Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti". Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 23/68 (2021), 521-529. https://doi.org/10.21205/deufmd.2021236815 |
