AI Summary & Key Takeaways
AI InsightAs a result of the classification process, an accuracy of 93% and an F1-score of 93% were obtained.
📌 3 Key Takeaways
Abstract
Diabetic Retinopathy (DR) is a disease that occurs due to the damage caused by high blood sugar caused by diabetes in the permeability of blood vessels in the retina. In cases where the disease is not diagnosed and treated early, it causes severe eye disorders and loss of vision. Most of the complications can be prevented with blood sugar control and early treatment, but due to the complexity and variety of DR, it is difficult to detect with manual methods. Today, great success has been achieved with the Convolutional Neural Network (ESA), which is a deep learning model in the diagnosis of diseases that are difficult to detect by experts. In this study, a hybrid model is proposed in which ESA and machine learning are used together for the detection and grading of DR. In our model, the transfer learning model with ESA architecture acts as an automatic feature extractor and ResNET-50 is used. K-Nearest Neighbor Algorithm, Random Forest Algorithm and Extra Trees Algorithm are used separately for classification. In the study, the Aptos 2019 dataset, which includes 'Proliferative', 'Severe', 'Moderate', 'Mild' and 'No diabetic retinopathy' retinal images, was used according to the severity of the disease. Since there is a class imbalance in the data set, the imbalance between the classes was eliminated and data augmentation was achieved by using the synthetic data augmentation (SMOTE) technique. Classification was carried out by applying 10-fold cross-validation to our data set for training and testing. As a result of the classification process, an accuracy of 93% and an F1-score of 93% were obtained.
Özet
Diyabetik Retinopati (DR), diyabet kaynaklı yüksek kan şekerinin retinadaki kan damarlarının geçirgenliğinde oluşturduğu hasar nedeniyle meydana gelen hastalıktır. Hastalığa erken tanı konmadığı ve tedavi edilmediği durumlarda ileri derecede göz bozukları ve görme kaybına neden olmaktadır. Komplikasyonların çoğu kan şekeri kontrolü ve erken tedavi ile önlenebilmekte ancak DR’nin karmaşıklığı ve çeşitliliği nedeniyle manuel yöntemlerle tespiti zor olmaktadır. Uzmanlar tarafından tespiti zor olan hastalıkların teşhisinde bir derin öğrenme modeli olan Evrişimsel Sinir Ağı (ESA) ile günümüzde büyük başarı elde edilmiştir. Bu çalışmada DR’nin tespiti ve derecelendirilmesi için ESA ve makine öğrenmenin beraber kullanıldığı hibrit bir model önerilmektedir. Modelimizde ESA mimarisine sahip transfer öğrenme modeli otomatik özellik çıkarıcı olarak görev yapmakta ve ResNET-50 kullanılmaktadır. Makine öğrenme algoritmaları ise sınıflandırıcı olarak görev yapmakta ve K-En Yakın Komşu Algoritması, Rastgele Orman Algoritması ve Ekstra Ağaçlar Algoritması ayrı ayrı kullanılmaktadır. Çalışmada hastalığın şiddetine göre 'Proliferatif ', 'Şiddetli', 'Orta', 'Hafif' ve 'Diyabetik retinopati yok' retina görüntülerinin yer aldığı Aptos 2019 veri seti kullanılmıştır. Veri setinde sınıf dengesizliği bulunduğundan sentetik veri artırma (SMOTE) tekniği kullanılarak sınıflar arasındaki dengesizlik giderilmiş ve veri artırımı sağlanmıştır. Eğitim ve test işlemi için veri setimize 10 kat çapraz doğruluma işlemi uygulanarak sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma işlemi sonucunda %93 lük doğruluk ve %93 F1-skoru elde edilmiştir.