Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDeneysel sonuçlar, önerilen hibrit çerçevenin, glokomlu bireyleri glokomsuz bireylerden yüksek doğrulukla ayırt edebildiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Glokom, geri dönüşü olmayan görme kaybına yol açabilen ve erken evrelerinde genellikle asemptomatik olan ciddi bir optik nöropatidir. Bu durum, özellikle retina fundus görüntülerine dayalı otomatik ve güvenilir tarama sistemlerine olan ihtiyacı artırmaktadır. Bu çalışmada, glokom tespiti için klasik görüntü işleme yöntemlerini derin öğrenme tabanlı temsillerle birleştiren, klinik süreçleri destekleme potansiyeline sahip ve genelleştirilebilir nitelikte hibrit bir sınıflandırma çerçevesi sunulmaktadır. Önerilen yaklaşımda, önceden eğitilmiş bir AlexNet mimarisinin fc7 katmanından elde edilen derin özellikler, HSV renk histogramları, Haralick dokusal özellikleri, LBP ve HOG tanımlayıcıları ile birlikte ORIGA retina fundus veri seti kullanılarak birleştirilmiştir. Sınıf dengesizliği sorunu, SMOTE yönteminin yalnızca eğitim verilerine uygulanmasıyla ele alınırken, yüksek boyutlu özellik alanı MultiSURF algoritması kullanılarak optimize edilmiştir. Elde edilen seçilen özellikler, Destek Vektör Makineleri (SVM), Rastgele Orman (RF) ve XGBoost sınıflandırıcıları kullanılarak değerlendirilmiştir. Deneysel sonuçlar, önerilen hibrit çerçevenin, glokomlu bireyleri glokomsuz bireylerden yüksek doğrulukla ayırt edebildiğini göstermektedir. Özellikle, Rastgele Orman modeli %96,92 doğruluk, 0,939 F1 puanı ve 0,994 AUC değeri ile en yüksek performansı göstermiştir. Bulgular, MultiSURF tabanlı özellik seçimi ve dengeli öğrenme stratejileriyle desteklenen derin ve el yapımı özelliklerin birleşik kullanımının, glokom tespiti için sağlam ve istikrarlı bir çözüm sunduğunu ortaya koymaktadır. Önerilen yaklaşım, erken teşhis için klinik karar destek sistemlerine entegre edilebilecek potansiyele sahip otomatik bir glokom tarama yöntemi olarak değerlendirilmektedir.
Abstract
asymptomatic in its early stages. This situation increases the need for automated and reliable screening systems, especially those based on retinal fundus images. This study presents a hybrid classification framework for glaucoma detection that combines classical image processing methods with deep learning-based representations, possessing the potential to support clinical processes and exhibiting generalizability. In the proposed approach, deep features obtained from the fc7 layer of a pre-trained AlexNet architecture, along with HSV colour histograms, Haralick textural features, LBP and HOG descriptors, are combined using the ORIGA retinal fundus dataset. The class imbalance problem was addressed by applying the SMOTE method exclusively to the training data, while the high-dimensional feature space was optimised using the MultiSURF algorithm. The selected features obtained were evaluated using Support Vector Machines (SVM), Random Forest (RF), and XGBoost classifiers. Experimental results demonstrate that the proposed hybrid framework can accurately distinguish between individuals with glaucoma and those without, with high accuracy. Specifically, the Random Forest model demonstrated the highest performance with 96.92% accuracy, an F1 score of 0.939, and an AUC value of 0.994. The findings reveal that the combined use of deep and hand-crafted features, supported by MultiSURF-based feature selection and balanced learning strategies, offers a robust and stable solution for glaucoma detection. The proposed approach is considered an automated glaucoma screening method with the potential to be integrated into clinical decision support systems for early diagnosis.