Konvolüsyonel Sinir Ağı Modelleri ile Fundus Görüntülerinden Glokom Teşhisi

Abstract

Glokom, göz içi basıncının artmasına bağlı olarak optik sinirinde hasara neden olan bir göz hastalığıdır. Milyonlarca insan, dünya çapında geri dönüşü olmayan körlüğün ikinci en önemli nedeni olan bu hastalıktan muzdariptir. Glokomun belirtisiz yayılması, hastalığın erken evrelerinde belirgin semptomların olmaması nedeniyle teşhisi uzmanların karşılaştığı en büyük zorluklardan biridir. Glokom her yaştaki insanı etkileyebilir, ancak bu hastalık çoğunlukla yaşlılarda ortaya çıkmaktadır. Glokomun bu derece yaygın olması hastalığın maliyetine de yansımıştır. Glokomun topluma maliyeti tıbbi faturalardan, ilaç ve ulaşım maliyetlerinden oluşurken, dolaylı maliyetleri de işyerinde düşük üretkenlik ve raporlu günler olarak ifade edilebilir. Bu nedenle kalıcı görme kaybını önlemek için glokomun erken teşhisi çok önemlidir. Bu amaçla bu çalışmada fundus görüntüleri kullanılarak glokom tanısı için manta vatozu beslenme optimizasyonu ile evrişimli sinir ağı modellerini birleştiren yeni bir yaklaşım önerilmektedir. Önerilen hibrit yaklaşım, derin sinir ağı model performansının bağlı olduğu hiperparametre seçimi dezavantajını ortadan kaldırabilir. Bu çalışma, evrişimli sinir ağı modelleri olarak NASNetMobile, MobileNetV2, DenseNet169 ve DenseNet121'i kullanmaktadır. Ayrıca, evrişimli sinir ağı modellerinin performansı destek vektör makineleri algoritması sonuçları farklı metrikler ile karşılaştırılmıştır. Deneysel çalışmaların sonuçları, DenseNet169 mimarisi %99,67'lik en yüksek doğruluk oranıyla tüm modellerden daha iyi performans gösterdiğini göstermektedir. Ayrıca sonuçlar, evrişimli sinir ağlarının normal ve glokom görüntülerini başarıyla sınıflandırdığını kanıtlamaktadır. Bu nedenle önerilen hibrit parametre ayarlama tabanlı derin öğrenme yaklaşımı, tanı ve tedaviye yardımcı olabilme ve insan hatalarını en aza indirebilme potansiyeli olduğunu ifade etmektedir.Glaucoma is an eye disease that could give rise to damage to the optic nerve due to increased intraocular pressure. Millions of people suffer from this disease, which is the second most significant cause of irreversible blindness worldwide. Due to the asymptomatic symptoms in the early stages of glaucoma, it is one of the most complex diagnoses faced by specialists. Glaucoma can affect people of any age, but this disease mainly occurs in the elderly. The prevalence of glaucoma is also reflected in the cost of the disease. While the cost of glaucoma to society consists of medical bills, medication, and transportation costs, indirect costs can be expressed as low productivity at work and sick days. Hence, early diagnosis of glaucoma is crucial to avoid permanent vision loss. Consequently, we propose a novel approach combining convolutional neural network models with manta ray foraging optimization to diagnose glaucoma using fundus images. The hybrid proposed approach is able to eliminate the drawback of tuning hyperparameters for deep neural networks. This study used NASNetMobile, MobileNetV2, DenseNet169, and DenseNet121 as the convolutional neural network models. Moreover, the performance of convolutional neural network models and support vector machine algorithm results were compared with different metrics. The results of experimental studies indicate that the DenseNet169 architecture outperforms all models with the highest accuracy rate of 99.67%. Furthermore, the results prove that convolutional neural networks successfully classify normal and glaucoma images. Therefore, the proposed hybrid parameter tuning-based deep learning approach has the potential to assist in diagnosis and treatment and minimize human errors.