Diyabetik Retinopatide Üretken Çekişmeli Ağ Kullanılarak Derin Öğrenme Esaslı Veri İyileştirme

Abstract

Bu çalışma, diyabetik retinopati saptanmasında derin öğrenme tabanlı veri iyileştirme tekniklerinin kullanımı ile simüle retina fundus görüntüleri üretmek üzerine bir deney sunmaktadır. Tıbbi görüntülemede, hasta gizliliği, yeterli sayıda uzmanların bulunmaması, büyük miktarda veri elde etmek için hastaya erişim zorluğu, dengesiz veri seti vb. veri setinin boyutunu ve kalitesini kısıtlamaya neden olan faktörlerle karşılaşılmaktadır. Bu alanda, yaygın veri iyileştirme tekniklerinden rotasyon, çevirme ve rastgele kesme kullanılmaktadır ancak bu teknikler veri kümesinde, veri çeşitliliği geliştirmesi açısından başarılı olmamaktadır ve dengesiz veri kümesine yol açar. Dengeli veri kümesi, genelleştirilebilirlik açısından güçlü bir derin öğrenme modeli geliştirmek için çok önemli bir faktördür. Bu sorunu gidermek için, Üretken Çekişmeli Ağ (GAN) gibi derin öğrenme tabanlı veri iyileştirme teknikleri tıbbi görüntülemede dikkat çekmiştir. Bu çalışmada, CycleGAN yöntemi, GAN modellerinden biri, diyabetik retinopati semptomları ile simüle retina fundus görüntüleri üretmek üzere gerçekleştirilmiştir.

This study investigates the use of deep learning-based data augmentation techniques in diabetic retinopathy to generate simulated retinal fundus images. Research in medical imaging faces several limitations to acquiring suitable data, including patient confidentiality, trained experts to annotate the data, and imbalanced datasets. Common techniques used to enhance image-based datasets to create a greater number of diseased images include image rotation, flipping, and horizontal and vertical expansion; however, these are insufficient in terms of data diversity and continue to result in imbalanced datasets. A balanced dataset is crucial to train a robust deep learning model in terms of generalizability. To mitigate this issue, deep learning-based data augmentation techniques including Generative Adversarial Network (GAN) have received attention in medical imaging as a method to generate images. This study investigates use of CycleGAN, one of the GAN models, to generate simulated retinal fundus images with diabetic retinopathy.