SavedAdd your journal

Journals / Uluborlu Mesleki Bilimler Dergisi / 2026 / Cilt: 7 Sayı: 2

Diyabetik Retinopati Tespiti İçin Derin Öğrenmeye Dayalı Sınıflandırma

Seda Nur Polater(BURDUR MEHMET AKİF ERSOY ÜNİVERSİTESİ)0009-0000-4296-624X
Ali Hakan Isık(BURDUR MEHMET AKİF ERSOY ÜNİVERSİTESİ)0000-0003-3561-9375
Pages
13–19
Publication Date
2024-07-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

DenseNet121 modelinde %97 doğruluk değeri hesaplanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Diyabetik Retinopati (DR), yüksek kan şekeri seviyelerinin retinadaki kan damarlarında neden olduğu hasar sonucu oluşan bir göz hastalığıdır.
📊
Key Findings & Data:Araştırma, Aptos 2019 veri setini kullanarak gerçekleştirilmiştir.
💡
Conclusion & Impact:DenseNet121 modelinde %97 doğruluk değeri hesaplanmıştır.
🔬Design:Modeling & Simulation
📍Scope:2019 Verileri
⚙️Variables:Diyabetik Retinopati (DR) · Kan Şekeri · Retina

Özet

Diyabetik Retinopati (DR), yüksek kan şekeri seviyelerinin retinadaki kan damarlarında neden olduğu hasar sonucu oluşan bir göz hastalığıdır. Bu hastalık, erken teşhis edilmediği ve tedavi edilmediği durumlarda ciddi göz sorunlarına ve görme kaybına yol açabilir. Genellikle kan şekeri kontrolü ve erken tedavi ile bu komplikasyonlar önlenebilir, ancak DR'nin karmaşıklığı nedeniyle manuel teşhis zorlu olabilir. Uzmanlar, bu tür zorlu teşhislerde Evrişimsel Sinir Ağları (ESA) gibi derin öğrenme modellerinin başarılı bir şekilde kullanıldığını göstermişlerdir. Bu çalışma, DR'nin teşhisi ve sınıflandırılması üzerine makine öğrenme algoritmaları kullanılarak tamamlanmıştır. Araştırma, Aptos 2019 veri setini kullanarak gerçekleştirilmiştir. Bu veri seti, farklı DR şiddetlerine sahip retina görüntülerini içermektedir, bu da "Proliferatif," "Şiddetli," "Orta," "Hafif," ve "Diyabetik retinopati yok" gibi sınıflandırmaları içerir. Hastalığın teşhisi için DenseNet121, MobileNetV2, DenseNet169, InceptionV3, VGG16, MobileNet, VGG19, ResNet50, ResNet101 modelleri kullanılmıştır. DenseNet121 modelinde %97 doğruluk değeri hesaplanmıştır.

🔖

Cite This Article

Polater, S. N., Isık, A. H. (2024). Diyabetik Retinopati Tespiti İçin Derin Öğrenmeye Dayalı Sınıflandırma. Uluborlu Mesleki Bilimler Dergisi, Cilt: 7 Sayı: 2, 13–19. https://doi.org/10.46236/umbd.1426129

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Blindness detection. (2019, 25 Aralık). In Kaggle. https://www.kaggle.com/competitions/aptos2019-blindness-detection
  2. Cangöz, G. B. (2022). Köpeklerin uzun kemiklerinin ve uzun kemiklerindeki kırıkların sınıflandırılması. (Tez No. 718172) [Yüksek Lisans Tezi, Başkent Üniversitesi, Fen Bilimleri Enstitüsü]. YÖK Ulusal Tez Merkezi.
  3. Gulshan, V., Peng, L., Coram, M., Stumpe, C.,Wu, M., Narayanaswamy, D., & Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. Jama, 316(22), 2402-2410. https://www.doi.org/10.1001/jama.2016.17216
  4. Günay Şener, A. B., & Şener, H. (2022, 26 Ekim - 29 Kasım). Diyabetik Gözlerde Multifokal Elektroretinografide Halka Amplitüdünün ve Halka Amplitüdünü Etkileyen Faktörlerin Değerlendirilmesi [Bildiri sunumu]. 23. Ulusal ve 6. Uluslararası Biyoistatistik, Ankara. https://www.medicine.ankara.edu.tr/2022/10/07/23-ulusal-ve-6-uluslararasi-biyoistatistik-kongresi-26-29-ekim-2022/
  5. Metin, B., & Karasulu, B. (2022). Derin Öğrenme Modellerini Kullanarak İnsan Retinasının Optik Koherans Tomografi Görüntülerinden Hastalık Tespiti. Veri Bilimi, 5(2), 9-19. https://dergipark.org.tr/en/pub/veri/issue/74116/1183777
  6. Mustafa, G. (2022, 10 Kasım). Tokat Bölgesi Buğday Üretiminde Bazı Yabancı Otların Derin Öğrenme Yöntemi ile Tespit Edilmesi. https://aperta.ulakbim.gov.tr/record/252241
  7. Njikam, M. N. M. (2022). Sefalometrik noktaların derin öğrenme kullanarak otomatik tespiti. (Tez No. 715056) [Yüksek Lisans Tezi, Konya Teknik Üniversitesi, Fen Bilimleri Enstitüsü]. YÖK Ulusal Tez Merkezi.
  8. Öcal, E. E., & Önsüz, M. F. (2018). Diyabet hastalığının ekonomik yükü. Estüdam Halk Sağlığı Dergı̇sı̇, 3(1), 24-41. https://dergipark.org.tr/en/pub/estudamhsd/issue/39510/466120
  9. Özbay, A. F., & Özbay, E. (2022). Diyabetik retinopati tespiti için atom arama optimizasyonu ile özellik seçimi yöntemi. Adıyaman Ünı̇versı̇tesı̇ Mühendı̇slı̇k Bı̇lı̇mlerı̇ Dergı̇sı̇, 9(16), 88-104. https://www.doi.org/10.54365/adyumbd.1021738
  10. Özçelı̇k, B. Y., & Altan, A. (2021). Diyabetik retinopati teşhisi için fundus görüntülerinin derin öğrenme tabanlı sınıflandırılması. Avrupa Bı̇lı̇m ve Teknolojı̇ Dergı̇sı̇, 9(29), 156-167. https://www.doi.org/10.31590/ejosat.1011806
  11. Özdemir, A. (2023). Makine Öğrenmesi Algoritmaları ile Aritmilerin Sınıflandırılması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 39(3), 394-402. https://dergipark.org.tr/en/pub/erciyesfen/issue/82292/1341157
  12. Özsoy, Y. (2022). Sağlık alanında derin öğrenme yöntemlerinin incelenmesi. (Tez No. 739042) [Yüksek Lisans Tezi, Trakya Üniversitesi Fen Bilimleri Enstitüsü]. YÖK Ulusal Tez Merkezi.
  13. Paydaş, Ü. (2019). Gestasyonel diyabet riskinin belirlenmesinde tip 2 diyabet risk anketinin (fındrısk) kullanımı. (Tez No. 598892) [Yüksek Lisans Tezi, Adnan Menderes Ünı̇versı̇tesı̇, Sağlık Bı̇lı̇mlerı̇ Enstı̇tüsü]. YÖK Ulusal Tez Merkezi.
  14. Shanthı̇, T., & Sabeenı̇an, S., R. (2019). Modified alexnet architecture for classification of diabetic retinopathy images. Computers & Electrı̇cal Engı̇neerı̇ng, 76(1), 56-64. https://www.doi.org/10.1016/j.compeleceng.2019.03.004
  15. Tetı̇k, R. F. (2023). Tip 2 diyabetli bireylerde sağlık okuryazarlığının kardiyovasküler hastalık riski farkındalığı ve glisemik kontrol üzerine etkisi. (Tez No. 808158) [Yüksek Lisans Tezi, Aksaray Ünı̇versı̇tesı̇ Sağlık Bı̇lı̇mlerı̇ Enstı̇tüsü]. YÖK Ulusal Tez Merkezi.