Derin öğrenme kullanarak optik sinir hipoplazisi hastalığının tespiti

Basit Öğe Kaydı
dc.contributor.advisorYücedağ, İbrahim
dc.contributor.authorÇelik, Canan
dc.date.accessioned2025-10-11T20:34:54Z
dc.date.available2025-10-11T20:34:54Z
dc.date.issued2025
dc.departmentDÜ, Lisansüstü Eğitim Enstitüsü, Disiplinlerarası Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractİnsan retinal görüntülerinden optik disk konumunun doğru tespiti ve değerlendirilmesi, özellikle optik sinir hipoplazisi (ONH) gibi doğumsal anomalilerin erken teşhisinde kritik öneme sahiptir. Bu doktora çalışmasında, ONH'nin erken teşhisi için evrişimsel sinir ağları tabanlı özgün bir derin öğrenme sistemi geliştirilmiştir. ONH teşhisinde retinal görüntülerden optik disk ve foveanın tespiti, doğru ölçümü ve değerlendirilmesi kritik öneme sahiptir. ONH için ilk defa önerilen bu otomatik teşhis yaklaşımı, ResNet-18 ön öğretimli kodlayıcı ve U-Net mimarisinin birleşimiyle oluşturulan derin öğrenme modelini kullanmaktadır. Önerilen sistem, gradyan iniş optimizasyonu ve çoklu ölçekli özellik çıkarımı sayesinde geleneksel yöntemlerin karşılaştığı ışıklandırma farklılıkları, bulanık sınırlar ve damar örtüşmeleri gibi zorlukların üstesinden gelmektedir. Geliştirilen model, uluslararası Messidor, IDRID, DIARETDB1, HRF, DRIVE ve APTOS veri setleri üzerinde kapsamlı testlere tabi tutulmuş ve hem optik disk hem de fovea segmentasyonunda başarılı sonuçlar elde edilmiştir. Model performansını klinik koşullarda da değerlendirmek amacıyla Düzce Üniversitesi Göz Hastalıkları Anabilim Dalı'ndan alınan retinal görüntülerle ONH-NET adlı özgün bir veri seti oluşturulmuş ve sistemin gerçek klinik vakalardaki performansı doğrulanmıştır. Çalışmanın en önemli katkısı, optik disk çapı ve makula merkezi arası mesafe oranlarını otomatik olarak hesaplayarak ONH teşhisinde %99,58 başarı elde etmesidir. Sistem, klinisyenlere manuel ölçüm ve hesaplamalara gerek kalmadan, hızlı, objektif ve güvenilir bir karar destek mekanizması sunmaktadır. Optik disk ve fovea tespitinin yanı sıra, makula sınırlarının belirlenmesi ve ONH için kritik morfometrik ölçümlerin otomatik gerçekleştirilmesi, bu çalışmayı literatürdeki benzer çalışmalardan ayırmaktadır. Bu tez, retinal görüntüleme ve derin öğrenme alanlarındaki yenilikçi yaklaşımları birleştirerek, klinik uygulamalarda kullanılabilir bir çözüm sunmakta ve oftalmoloji alanına önemli katkılar sağlamaktadır.en_US
dc.description.abstractThe accurate localization and evaluation of the optic disc position in human retinal images is critical for the early diagnosis of congenital anomalies such as optic nerve hypoplasia (ONH). This doctoral research presents a novel deep learning-based system utilizing convolutional neural networks for the early detection of ONH. The precise localization, measurement, and evaluation of the optic disc and fovea in retinal images are essential for ONH diagnosis. This automated diagnostic approach, proposed for the first time for ONH, leverages a deep learning model that combines a ResNet-18 pre-trained encoder with the U-Net architecture. The proposed system overcomes challenges associated with traditional methods, such as variations in illumination, blurred boundaries, and vascular occlusions, through gradient descent optimization and multi-scale feature extraction. The developed model has undergone extensive testing on international datasets, including Messidor, IDRID, DIARETDB1, HRF, DRIVE, and APTOS, achieving high performance in both optic disc and fovea segmentation. To evaluate its clinical applicability, an original dataset named ONH-NET was created using retinal images collected from the Department of Ophthalmology at Duzce University. The system's performance on real clinical cases was thoroughly validated. The most significant contribution of this study is achieving %99,58 accuracy in ONH diagnosis by automatically calculating the ratios of optic disc diameter to macular center distance. The system offers clinicians a fast, objective, and reliable decision support mechanism, eliminating the need for manual measurements and calculations. In addition to optic disc and fovea localization, the automatic determination of macular boundaries and critical morphometric measurements for ONH further distinguishes this study from similar works in the literature. By integrating innovative approaches in retinal imaging and deep learning, this doctoral thesis provides a practical solution for clinical applications and makes significant contributions to the field of ophthalmology.en_US
dc.identifier.endpage212en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=htlyhJG97gjBTPjAeWRhPkdhrUbZX0Njm7At7qMtIR917xlKbfYt_CdiUynWWq_t
dc.identifier.urihttps://hdl.handle.net/20.500.12684/20426
dc.identifier.yoktezid934595en_US
dc.institutionauthorÇelik, Canan
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_TEZ_20250911
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleDerin öğrenme kullanarak optik sinir hipoplazisi hastalığının tespitien_US
dc.title.alternativeDetection of optic nerve hypoplasia disease using deep learningen_US
dc.typeDoctoral Thesisen_US

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu