Tez No	İndirme	Tez Künye	Durumu
482374		Görüntü işleme ve makine öğrenmesine dayalı diyabetik retinopati hastalığı teşhisi ve sınıflandırılması / The diagnosis and classification of diabetic retinopathy disease based on image processing and machine learning Yazar:KEMAL ADEM Danışman: DOÇ. DR. MAHMUT HEKİM Yer Bilgisi: Gaziosmanpaşa Üniversitesi / Fen Bilimleri Enstitüsü / Mekatronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Mekatronik Mühendisliği = Mechatronics Engineering Dizin:	Onaylandı Doktora Türkçe 2017 134 s.
Bu tezde, oftalmologların teşhis işlerini kolaylaştırma ve zaman kaybının önlenmesi için diyabetik retinopati hastalığının otomatik teşhisi ve sınıflandırılmasına odaklanılmıştır. Bu amaç için, retina görüntülerindeki anatomik yapılar olan optik disk ve damar bölgelerinin tespit edilerek görüntüden göz ardı edilmesi sağlanmıştır. Optik disk tespiti için sırasıyla HSV renk uzayı, adaptif histogram eşitleme, Gama dönüşümü, Canny kenar bulma algoritması ve çembersel Hough dönüşümü, damar bölütlemesi için ise sırasıyla RGB renk uzayı, adaptif histogram eşitleme, Gabor ve Top-hat dönüşümü yöntemleri uygulanmıştır. Anatomik bölgelerin tespit edilerek retina görüntüsünden göz ardı edilmesinden sonra eksuda ve hemoraji lezyonlarının tespit edilmesi için manüel eşikleme ve ateşböceği / parçacık sürü optimizasyonu temelli iteratif eşikleme yöntemleri kullanılmıştır. Eşikleme yöntemleri sonucu eksudalı toplam piksel sayısı, eksudalı bölge sayısı, hemorajili toplam piksel sayısı ve hemorajili bölge sayısından oluşan öznitelik veri seti doğrusal regresyon, çok katmanlı algılayıcı, çapsal tabanlı fonksiyon sinir ağı ve destek vektör makinesi temelli sınıflayıcılara giriş olarak kullanılarak diyabetik retinopati teşhisi ve sınıflandırılması gerçekleştirilmiştir. Sınıflandırma doğruluğu açısından sınıflayıcı performanslarını değerlendirmek için farklı kombinasyonlar kullanılarak farklı deneyler yapılmıştır. Gerçekleştirilen deneyler parçacık sürü optimizasyonu temelli destek vektör makinesi yaklaşımın ateşböceği temelli olan yaklaşımlardan daha yüksek toplam doğru sınıflandırma başarı oranlarına ulaştığını göstermiştir. Sonuç olarak, hasta yoğunluğundan dolayı yaşanabilecek muhtemel karışıklıkların önüne geçerek oftalmologlara ön-tanı imkanı veren teşhis destek sisteminin gerçekleştirilmesi sağlanmıştır.
In this study, we focus on the automatic diagnosis and classification of diabetic retinopathy disease in order to facilitate diagnostic work of ophthalmologists and prevent time loss. For this aim, the optic disc and vein areas which are the anatomical structures of the retinal images are detected and removed from the image. For optic disk detection, HSV color space, adaptive histogram equalization, Gamma transformation, Canny edge detection algorithm and the circle Hough transform were used respectively. Then, RGB color space, adaptive histogram equalization, Gabor and Top-Hat transformations are applied for vein segmentation, respectively. After anatomic regions are detected and then removed from the retinal image, manual thresholding and iterative thresholding methods based on firefly/particle swarm optimization are used for the detection of exudate and hemorrhagic lesions. Then, the diagnosis and classification of diabetic retinopathy are implemented by using the feature dataset which consists of the total pixel counts of exudate and hemorrhage, and the numbers of exudate and hemorrhagic regions as inputs into the linear regression, multilayer perceptron, radial basis function and support vector machine based classifiers. In order to evaluate their performances in terms of classification accuracy, different experiments are implemented using different combinations of the total pixel counts of exudate and hemorrhage, and the numbers of exudate and hemorrhagic regions. The experiments show that that the support vector machine-based approach with particle swarm optimization achieves higher total correct classification success rates than the firefly and support vector machine-based approaches for all used classifier models. Finally, this thesis offers a diagnostic support system to be used by ophthalmologists, which avoids potential confusions occurring due to patient overcrowding.