Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDerin öğrenme ağlarının test edilmesi sonucunda Resnet50 ağı 0.95, VGG16 ağı 0.95, InceptionV3 ağı 0.97 ve Xception ağı 0.98 doğruluk oranı OCT veri setini sınıflandırmıştır. 0.96 değerindeki F1 skoruyla Xception ağı kullanılan OCT veri seti üzerindeki en başarılı sınıflandırmayı elde etmiştir.
📌 3 Maddede Bu Makale
Özet
Bu makalede, dünyada görme bozukluklarının %8.7’sinin sebebi olan yaşa bağlı makula dejenerasyonu hastalığının tespit edilmesi için otomatik bir sistem sunulmuştur. Hastalığın teşhisi için, son zamanlarda görüntüden özellik tanısı çıkarma işlemlerinde sıklıkla kullanılan evrişimsel sinir ağı mimarisinden faydalanılmıştır. Çalışmada, yaşa bağlı makula dejenerasyonu hastalığının sınıflandırılması için evrişimsel sinir ağı, etiketli 28031 adet OCT görüntüsü ile eğitilmiştir. Eğitilen evrişimsel sinir ağı 6900 adet OCT görüntüsü ile test edilmiştir. Eğitim ve test için Xception, VGG16, InceptionV3 ve Resnet50 derin öğrenme ağları kullanılmıştır. Eğitilen ağlar karşılaştırılıp OCT veri seti için ağların performansları değerlendirilmiştir. Derin öğrenme ağlarının test edilmesi sonucunda Resnet50 ağı 0.95, VGG16 ağı 0.95, InceptionV3 ağı 0.97 ve Xception ağı 0.98 doğruluk oranı OCT veri setini sınıflandırmıştır. 0.96 değerindeki F1 skoruyla Xception ağı kullanılan OCT veri seti üzerindeki en başarılı sınıflandırmayı elde etmiştir.
Abstract
In this article, an automatic system is presented to detect age-related macular degeneration, which is the cause of 8.7% of visual impairment in the world. For the diagnosis of the disease convolutional neural network, which has recently been used in feature extraction from the image, has been utilized. In the study, the convolutional neural network was trained with 28031 labeled OCT images to classify age-related macular degeneration. The trained convolutional neural network was tested with 6900 OCT images. Xception, VGG16, Inception V3 and Resnet50 deep learning networks were used for training and testing. The trained networks were compared and the performance of the networks was evaluated for the OCT dataset. Classification of OCT images using Resnet50 network achieved 0.95, VGG16 network achieved 0.95, InceptionV3 network achieved 0.97 and Xception network achieved accuracy of 0.98. Xception network achieved F1 score of 0.96 which is highest rate of classification on the OCT dataset.