Derin öğrenme tabanlı oftalmoloji görüntülerinde veri analizi ve güvenliği

Abstract

Oftalmolojik hastalıkların zamanında teşhisi yapılmadığında ve tedavisi olunmadığında körlüğe kadar giden sonuçlar ortaya çıkmaktadır. Birçok çalışma, erken tedavinin görmeyi tehdit eden bu hastalıklara yakalanılmasının önüne geçildiğini göstermiştir. Örneğin diyabetik retinopati hastalığı dünyadaki şeker hastalarının %80’ini etkilemektedir ve ikinci en büyük körlük nedenlerindendir. Katarakt ise genelde yaşa bağlı bir hastalık olduğu gibi zamanla görme bulanıklığını artırarak hastanın görüşünü engeller. Bu çalışmada oftalmolojik hastalıkların tespiti için derin öğrenme mimarileri kullanılmıştır. Böylece otomatik tespit sistemleri geliştirilerek sağlık hizmetlerinin hızlanması ve uzmanlara yardımcı olunması amaçlanmıştır. Bu amaçla oluşturulan modellerin yüksek doğruluğa sahip olmaları gerekmektedir. Tez kapsamında, oftalmolojik hastalıklardan diyabetik retinopati ve kataraktın tespiti üzerine çalışılmıştır. İnsan retinasına ait bu oftalmolojik hastalıkları tespit etmek için; hastalıklı görüntü veri setleri üzerinde görüntü ön işleme, derin öğrenme ve transfer öğrenimi gibi yöntemlerle modeller geliştirilmiştir. Geliştirilen modeller ile, literatüre katkı sağlayan oranda yüksek sınıflandırma başarısı elde edilmiştir. Diyabetik retinopati için oluşturulan en iyi modelin 5 sınıflandırma ile %96,6 doğruluk oranına ve katarakt için oluşturulan en iyi modelin 2 sınıflandırma ile %97,2 doğruluk oranına ulaştığı ölçülmüştür. Elde edilen doğruluk oranları literatüre katkı sağlamaktadır. Yapılan analizlerde, transfer öğrenimi yönteminin klasik derin öğrenme yöntemlerinden en az %2 olmak üzere daha iyi bir sınıflandırma yapabildiği görülmüştür. Her hastalık için oluşturulan en iyi modeller, uzmanlar tarafından kullanılmak üzere bir web arayüzü ortamında kullanıma sunulmuştur. Bir sonraki aşamada web arayüzünde toplanan verilerin güvenlik gereksinimleri dikkate alınmıştır. Bu doğrultuda sunucuda saklı veriler, literatürde belirtilen en güvenilir algoritma ile şifrelenmekte olup hasta verisi gizliliği hedeflenmiştir. Bu sayede verilerin siber ortamda güvenilir şekilde saklanması sağlanmıştır.

When ophthalmological diseases are not diagnosed and treated on time, results leading to blindness occur. Many studies have shown that early treatment can prevent these vision-threatening diseases. For example, diabetic retinopathy affects 80% of diabetic patients in the world and is the second biggest cause of blindness. Cataract, on the other hand, is generally an age-related disease and increases the blurring of vision over time, preventing the patient's vision. In this study, deep learning architectures were used for the detection of ophthalmological diseases. Thus, by developing automatic detection systems, it is aimed to speed up health services and to help specialists. Models created for this purpose must have high accuracy. Within the scope of the thesis, the detection of diabetic retinopathy and cataract from ophthalmological diseases was studied. To detect these ophthalmological diseases of the human retina; Models have been developed on diseased image datasets with methods such as image preprocessing, deep learning and transfer learning. With the developed models, high classification success has been achieved, which contributes to the literature. It was measured that the best model created for diabetic retinopathy reached 96.6% accuracy with 5 classifications, and the best model created for cataracts reached 97.2% accuracy with 2 classifications. The obtained accuracy rates contribute to the literature. In the analysis, it has been seen that the transfer learning method can make a better classification, at least 2%, than the classical deep learning methods. The best models created for each disease are made available in a web interface environment for use by experts. In the next step, the security requirements of the data collected on the web interface were taken into account. In this direction, the data stored on the server is encrypted with the most reliable algorithm specified in the literature, and patient data confidentiality is aimed. In this way, it is ensured that the data is stored reliably in the cyber environment.