Retina hastalıkları tespiti için yapay zekâ destekli yeni bir hesaplamalı modelin geliştirilmesi

Retina hastalıkları, dünya genelinde artan diyabet ve yaşa bağlı sağlık sorunlarıyla birlikte ciddi görme kaybına neden olan önemli sağlık problemleri arasında yer almaktadır. Erken teşhis ve etkin tedavi, bu hastalıkların yol açtığı kalıcı görme kaybını önlemede kritik rol oynamaktadır. Optik Koherens Tomografi (OCT) görüntüleme teknolojisi, retina tabakasındaki mikroskobik yapısal değişimleri invaziv olmayan bir şekilde yüksek çözünürlükle ortaya koyarak tanı ve tedavi süreçlerinde yaygın olarak kullanılmaktadır. Ancak, bu görüntülerin manuel olarak değerlendirilmesi zaman alıcı ve uzmanlık gerektiren bir süreçtir. Bu çalışmada, retina hastalıklarının OCT görüntüleri üzerinden otomatik teşhisi amacıyla yapay zekâ destekli yeni bir hesaplamalı model geliştirilmiştir. Geliştirilen sistem; görüntü doğrulama, ön işleme, derin öğrenme tabanlı sınıflandırma ve karar destek modüllerini içeren çok katmanlı ve modüler bir mimari üzerine inşa edilmiştir. Model eğitiminde, OCT-2017 açık erişimli veri setinden faydalanılmış ve CNV (Koroid Neovaskülarizasyonu), DME (Diyabetik Makula Ödemi), Drusen ve Normal olmak üzere dört farklı retina hastalık sınıfı hedeflenmiştir. Derin öğrenme tabanlı sınıflandırıcı olarak dört farklı mimari yapı test edilmiştir (GoogleNet, ResNet50, EfficientNet-B0 ve DenseNet-201). Yapılan karşılaştırmalı deneyler sonucunda, katmanlar arası yoğun bağlantı mekanizması ile öne çıkan DenseNet-201 mimarisi, en yüksek doğruluk oranını elde etmiş ve modelin nihai versiyonunda tercih edilmiştir. Eğitim ve test sonuçları doğruluk, hassasiyet, özgüllük, F1 skoru ve ROC eğrileri gibi istatistiksel metriklerle detaylı şekilde değerlendirilmiştir. Ayrıca, sisteme entegre edilen kullanıcı dostu arayüz aracılığıyla sağlık personellerine grafiksel ve sayısal tahmin sonuçları sunularak klinik karar destek süreçlerine katkı sağlanması amaçlanmıştır. Geliştirilen sistemin sağlık yazılımları ve OCT cihazları ile entegrasyon potansiyeli de göz önünde bulundurularak gelecekte klinik uygulamalara yönelik genişletilebilir bir altyapı oluşturulmuştur. Bu tez çalışması, hem yapay zekâ temelli karar destek sistemlerinin retina hastalıklarının erken teşhisinde etkinliğini ortaya koymakta hem de literatüre özgün veri yönetimi, güvenlik ve kullanıcı arayüzü bileşenleri ile katkı sunmaktadır.

Retinal diseases are among the major health problems that cause serious vision loss, with diabetes and age-related health problems increasing worldwide. Early diagnosis and effective treatment play a critical role in preventing permanent vision loss caused by these diseases. Optical Coherence Tomography (OCT) imaging technology is widely used in diagnosis and treatment processes by non-invasively revealing microscopic structural changes in the retinal layer with high resolution. However, manual evaluation of these images is a time-consuming and specialized process. In this study, a new computational model supported by artificial intelligence is developed for automatic diagnosis of retinal diseases using OCT images. The system is built on a multi-layered and modular architecture that includes image validation, preprocessing, deep learning-based classification and decision support modules. The OCT-2017 open access dataset was used for model training, and four different retinal disease classes were targeted: CNV (Choroidal Neovascularization), DME (Diabetic Macular Edema), Drusen and Normal. Four different architectures were tested as deep learning-based classifiers (GoogleNet, ResNet50, EfficientNet-B0 and DenseNet-201). As a result of the comparative experiments, the DenseNet-201 architecture, which stands out with its dense inter-layer connection mechanism, achieved the highest accuracy rate and was preferred in the final version of the model. Training and test results were evaluated in detail with statistical metrics such as accuracy, sensitivity, specificity, F1 score and ROC curves. In addition, it is aimed to contribute to clinical decision support processes by presenting graphical and numerical prediction results to healthcare professionals through the user-friendly interface integrated into the system. Considering the integration potential of the developed system with health software and OCT devices, an expandable infrastructure has been created for future clinical applications. This thesis not only demonstrates the effectiveness of artificial intelligence-based decision support systems in the early diagnosis of retinal diseases, but also contributes to the literature with its unique data management, security and user interface components.