Derin Öğrenme Modelleri Kullanarak Retina Hastalığı Sınıflandırması

Bu çalışma, derin öğrenme yöntemlerini kullanarak retina hastalıklarının otomatik sınıflandırılmasını ve teşhis süreçlerini iyileştirmeyi amaçlamaktadır. Retina hastalıkları, özellikle diabetik retinopati, yaşa bağlı maküler dejenerasyon (AMD), glokom ve retina damar tıkanıklığı, dünya genelinde görme kaybının başlıca nedenleri arasındadır. Bu hastalıkların erken teşhisi ve doğru sınıflandırılması, görme kaybını önlemek adına kritik bir öneme sahiptir. Derin öğrenme tabanlı yaklaşımlar, insan faktörüne bağlı teşhis hatalarını azaltarak daha yüksek doğruluk oranları sunmakta ve retina görüntüleme yöntemlerinin etkinliğini artırmaktadır. Çalışmada, konvolüsyonel sinir ağları (CNN) ve transfer learning modelleri kullanılarak retina hastalıklarının sınıflandırılmasının karşılaştırılması gerçekleştirilmiştir. Fundus ve optik koherens tomografi (OCT) görüntüleri üzerinde yapılan analizler, yüksek doğruluk oranlarıyla bu yöntemlerin etkili olduğunu ortaya koymaktadır. Elde edilen modeller, doğruluk, hassasiyet, hatırlama ve F1 skoru gibi metriklerle değerlendirilmiş ve klinik uygulamalardaki potansiyelleri irdelenmiştir. Araştırma sonuçları, derin öğrenme yöntemlerinin, retina hastalıklarının erken teşhisinde hız, doğruluk ve tekrarlanabilirlik gibi avantajlar sunduğunu göstermektedir. Özellikle CNN tabanlı modellerin performansı, uzman teşhis süreçlerini destekleyerek görme kaybını önlemeye yönelik önemli bir katkı sağlamaktadır. Bu çalışma, tıbbi görüntüleme teknolojilerinde derin öğrenmenin kullanımına dair yeni bir perspektif sunmakta ve sağlık profesyonellerinin iş yükünü azaltacak çözüm önerileri ortaya koymaktadır.