Tez No	İndirme	Tez Künye	Durumu
768395		Diyabetik retinopati hastalığının derin öğrenme ile tespit edilmesi / Detecting diabetic retinopathy by deep learning Yazar:ABDÜSSAMED ERCİYAS Danışman: PROF. DR. NECAATTİN BARIŞÇI Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2022 105 s.
Diyabetik Retinopati tip 2 diyabetin retina üzerindeki zararları sonucu oluşan bir hastalıktır. Bu çalışmada, Diyabetik Retinopati lezyonlarının verisetlerinden bağımsız ve otomatik olarak tespit edildiği ve tespit edilen lezyonların sınıflandırıldığı tamamen Grafik İşlem Birimi (GİB) temelli iki farklı yöntem önerilmiştir. Önerilen birinci yöntemin ilk aşamasında, farklı verisetlerinden Diyabetik Retinopati verileri toplanarak bir veri havuzu oluşturulmuştur. Daha sonra Daha Hızlı Bölgesel Evrişimsel Sinir Ağı (DHBESA) ile lezyonlar tespit edilmiş ve ilgilenilen bölge işaretlenmiştir. İkinci aşamasında ise elde edilen görüntüler, transfer öğrenme ve dikkat mekanizması kullanılarak sınıflandırılmıştır. Birinci yöntemde ağlarda elde edilen sonuçları artırmak için ikinci bir yöntem geliştirilmiştir. İkinci yöntemin ilk aşamasında Birleştirilmiş Aygıt Mimarisi Hesaplama (BAMH) ile görüntüdeki kullanılmayan İlgi Alanı Bölgesi (İAB) görüntüden çıkarılmıştır. Daha sonra Maske Bölgesel Evrişimsel Sinir Ağı (MBESA) ile lezyon bölgeleri tam kaplayacak şekilde işaretlenmiştir. Bu geliştirmeler sayesinde ikinci aşamadaki modelde dikkat katmanı kaldırılarak ağ basitleştirilmiş ve doğrudan transfer öğrenme ile eğitim yapılmıştır. Kaggle ve MESSIDOR verisetlerinde test edilen yöntemler VGG modeli ile sırasıyla %100 Doğruluk ve %99,9 ile %100 Eğri Altındaki Alan (EAA) değerlerine ulaşmıştır. Elde edilen sonuçlar literatürdeki diğer sonuçlarla karşılaştırıldığında daha başarılı sonuçların elde edildiği görülmektedir.
Diabetic Retinopathy is a disease caused by the damage of type 2 diabetes on the retina. In this study, two different completely Graphic Processing Unit (GPU) based methods are proposed in which Diabetic Retinopathy lesions were detected independently and automatically from the datasets and the detected lesions were classified. In the first step of the proposed first method, a data pool was created by collecting Diabetic Retinopathy data from different data sets. Then, lesions were detected with Faster Region Based Convolutional Neural Network (Faster RCNN) and the region of interest is marked. In the second stage, the images obtained were classified using the transfer learning and attention mechanism. In order to increase the results obtained in the networks in the first method, a second method has been developed. In the first step of the second method, the unused Region of Interest (ROI) in the image was removed with Compute Unified Device Architecture (CUDA). Then, the lesion areas were marked with Mask Region Based Convolutional Neural Network (Mask RCNN) to cover them completely. With these improvements, the attention layer was removed in the model in the second stage, the network was simplified and training was carried out with direct transfer learning. The methods tested in the Kaggle and MESSIDOR datasets reached 100% ACC (Accuracy) and 99,9% and 100% AUC (Area Under Curve) values with VGG model, respectively. When the results obtained were compared with other results in the literature, it was seen that more successful results were obtained.