AI Summary & Key Takeaways
AI InsightThe results demonstrate that the developed model operates with high accuracy across various datasets, offering an effective method for the automated diagnosis of retinal diseases.
📌 3 Key Takeaways
Abstract
Retinal diseases progressively lead to vision loss by affecting the eye's retina layer. Early diagnosis is crucial as these conditions often advance slowly. Currently, specialists utilize Fundus Fluorescein Angiography (FFA) and Optical Coherence Tomography (OCT) for diagnosing retinal diseases. However, accurate interpretation of these diagnostic tests requires evaluation by medical specialists in the field. The increasing number of patients makes it challenging to manually examine these images; moreover, the shortage of expert physicians in rural areas further contributes to delays in the diagnostic process. In this study, eight different retinal diseases have been classified using the Retinal OCT-C8 dataset. In addition to the standard You Only Look Once (YOLO) algorithm, enhanced YOLO models have been used in the classification process. The architecture of the developed YOLO models has been improved by increasing the number of depth layers. Additionally, K-Means clustered anchor boxes have been added to the YOLOv5 model. In tests conducted on the Retinal OCT-C8 dataset, the improved YOLOv8 model demonstrated superior performance with 98.1% accuracy, 97.6% precision, 98.6% recall, and a 98% F-Score, making it the best-performing model in this comparison. To assess the model's generalizability, further tests were conducted on different datasets. The model achieved 88% accuracy and an 89% F-Score on the OCTDL dataset, and 86% accuracy and a 90% F-Score on the OCTID dataset. In addition to the development of models, this study also involved the creation of a software application. This application allows doctors to upload and test retinal photographs, as well as manage patient information. The results demonstrate that the developed model operates with high accuracy across various datasets, offering an effective method for the automated diagnosis of retinal diseases. Furthermore, the accompanying software significantly expedites the diagnostic process.
Özet
Retina hastalıkları, gözün retina tabakasını etkileyerek ilerleyici görme kaybına neden olmaktadır. Bu hastalıklar genellikle yavaş ilerlediği için erken dönemde teşhis edilmesi gerekmektedir. Günümüzde uzmanlar retina hastalıklarının teşhisinde Fundus Floressein Anjiografi (FFA) ve Optik Koherens Tomografi (OCT) testlerinden yararlanmaktadır. Ancak, söz konusu testlerin doğru bir şekilde yorumlanabilmesi için alanında uzman hekimlerin değerlendirmesine ihtiyaç duyulmaktadır. Özellikle hasta sayısındaki artış, bu görüntülerin manuel olarak incelenmesini güçleştirmekte; buna ek olarak, kırsal bölgelerde yaşanan uzman hekim eksikliği, tanı süreçlerinde gecikmelere neden olabilmektedir. Bu çalışmada ise Retinal OCT-C8 veri seti kullanılarak 8 farklı retina hastalığı sınıflandırılmıştır. Sınıflandırma sürecinde standart You Only Look Once (YOLO) algoritmasının yanı sıra geliştirilmiş YOLO modelleri de kullanılmıştır. Geliştirilen YOLO modellerinde mimari derinlik katman sayısı artırılarak iyileştirilmiştir. YOLOv5 modelinde ek olarak K-Means ile kümelenmiş anchor boxlar eklenmiştir. Retinal OCT-C8 veri setinde yapılan test işleminde geliştirilmiş YOLOv8 modeli, %98.1 doğruluk, %97.6 kesinlik, %98.6 duyarlılık ve %98 F-Skor değerleri ile bu karşılaştırmadaki en iyi performans gösteren modeldir. Modelin genel performansını değerlendirmek amacıyla farklı veri setleri üzerinde de testler gerçekleştirilmiştir. OCTDL veri seti ile yapılan testlerde %88 doğruluk değeri ve %89, F-Skor değeri, OCTID veri seti ile yapılan testlerde ise %86 doğruluk değeri ve %90 F-Skor değeri elde edilmiştir. Ayrıca bu çalışmada, doktorların retina fotoğraflarını yükleyerek test edebileceği ve hasta bilgilerini düzenleyebileceği bir yazılım geliştirilmiştir. Elde edilen sonuçlar, geliştirilen modelin farklı veri kümeleri üzerinde yüksek doğrulukla çalıştığını ve retina hastalıklarının otomatik teşhisinde etkili bir yöntem sunduğunu ortaya koymaktadır. Ayrıca geliştirilen yazılım ile birlikte, tanı sürecinin kısa sürede tamamlanabileceğini de göstermektedir.