Sezgisel optimizasyon yöntemi ile insan retina görüntülerinde optik disk segmentasyonu ve derin öğrenme ile hastalık teşhisi

Abstract

Glokom, optik sinirin hasar görmesiyle karakterize, genellikle geri dönüşü olmayan görme kaybıyla sonuçlanan yaygın bir göz hastalığıdır. Sinsi doğası, özellikle de minimal semptomlarla seyreden erken evrelerde, zamanında teşhis ve müdahaleyi zorlaştırmaktadır. Bu çalışma, retina görüntülerinde optik diski lokalize etme ve segmentlere ayırmanın yanı sıra tanı doğruluğunu artırmak için glokom varlığını sınıflandırmanın kritik zorluğunu ele almaktadır. Bunun yanı sıra, gri kurtların sosyal davranışlarını simüle eden doğadan ilham alan meta sezgisel bir algoritma olan Gri Kurt Optimizasyonunu (GKO) kullanarak insan retina görüntülerinde optik disk segmentasyonu için yeni bir yaklaşım önermekte ve bu yaklaşımı ilk defa bu amaçla kullanmaktadır. Ayrıca çalışma kapsamında gokom hastalığını sınıflandırma için iki model geliştirilmiştir: Model 1, ResNet50, Inception V3, VGG19, DenseNet201 ve Swin Transformer gibi gelişmiş ağlarla uçtan uca bir derin öğrenme mimarisi kullanırken, Model 2, Bi-LSTM, Destek Vektör Makinesi (DVM), Rastgele Orman (RO) ve k-enyakın komşu (k-NN) gibi geleneksel makine öğrenimi tekniklerini CNN modelleriyle entegre etmektedir. Bunun yanı sıra, araştırma sınıflandırma için iki yaklaşım uygulamaktadır: modellere tüm görüntüyü besleyen tek aşamalı bir yaklaşım ve YOLO segmentasyon yöntemi ile kırpılmış görüntüleri modellere besleyen iki aşamalı bir yaklaşım. Çalışmada, glokom hastalığının ve optic disk bölgesinin tespit doğruluğunu önemli ölçüde artıran optimum hiperparametreleri belirlemek için kapsamlı deneyler yapılmıştır. GKO ile segmentasyon için Drishti-GS1 veri setinde ortalama %96,04 duyarlılık, %99,58 özgüllük, %99,39 doğruluk, %94,15 DICE katsayısı ve %90,4 Jaccard indeksi elde etmiştir. Sınıflandırma için, Swin Transformer modeli Drishti-GS1 veri setinde dışarıda tutma doğrulaması ve üç kat çapraz doğrulama için sırasıyla %100 ve %88,18'lik yüksek test doğruluğu elde etmiştir. Ayrıca, ORIGA veri setinde dışarıda tutma doğrulamada Swin Transformer %96,15 ve beş kat çapraz doğrulamada ise InceptionV3 %93,84'lük yüksek test doğruluğu ile dikkate değer sonuçlar elde etmiştir. Sonuçlar önceki çalışmalarla karşılaştırıldığında önerilen bu modeller daha iyi performans göstermiştir.