Görsel dikkat tabanlı U-Net derin öğrenme modeli kullanılarak glokom için optik disk segmentasyonu

Abstract

Bu tez, glokom hastalığının erken teşhisini desteklemek ve teşhis sürecini hızlandırmak amacıyla derin öğrenme tekniklerini kullanarak optik disk segmentasyonunu ele almaktadır. Glokom, görme kaybına neden olabilen yaygın bir göz hastalığıdır ve erken teşhis edilmediğinde kalıcı hasarlara yol açabilir. Optik disk, glokom teşhisinde kritik bir yapıda olup optik sinir liflerinin çıkış noktasını içermektedir. Bu çalışmada, optik disk segmentasyonunu gerçekleştirmek için UNet mimarisini temel alarak özelleştirilmiş bir attention UNet modeli kullanmaktadır. Encoder kısmında, geleneksel UNet'e ek olarak Channel Attention ve Patch-Based Attention mekanizmaları entegre edilmiştir. Decoder kısmında ise Spatial Attention kullanılmıştır. Bu sayede, model görüntü içindeki önemli özelliklere daha hassas bir şekilde odaklanarak segmentasyon performansını artırması hedeflenmiştir. Bu özelleştirilmiş attention mekanizmaları, modelin daha belirgin özelliklerin vurgulanmasını ve daha doğru sonuçlar elde etmesini sağlar. Önerilen model, derin öğrenme ve görüntü işleme tekniklerini bir araya getirerek glokom teşhisinde yardımcı olabilecek doğru ve hızlı bir segmentasyon sağlamayı amaçlamaktadır. İlgili çalışmanın sonuçları, önerilen modelin yüksek doğruluk ve hassasiyet sağladığını göstermektedir. Mevcut yöntemlerle karşılaştırıldığında modelin glokom teşhis sürecini iyileştirebileceği ve klinik uygulamalarda kullanılabilir olduğunu bizlere göstermektedir. Bu tez, glokom hastalarının erken teşhis edilmesi ve tedavi edilmesi sürecine katkıda bulunarak görme kaybını önlemeye yönelik önemli bir adımı temsil etmektedir. Gelecekteki çalışmalar, modelin genişletilmesi ve farklı veri kaynaklarıyla test edilmesi üzerine odaklanabilir, böylece daha geniş bir hasta yelpazesinde uygulanabilirliği artırılabilir.

This thesis addresses optic disk segmentation using deep learning techniques to support early diagnosis of glaucoma and accelerate the diagnostic process. Glaucoma is a common eye disease that can lead to vision loss and can cause permanent damage if not diagnosed early. The optic disk is a critical structure in glaucoma diagnosis as it contains the exit point of the optic nerve fibers. In this study, a customized attention UNet model is employed for optic disk segmentation, based on the UNet architecture. In the encoder part, in addition to the traditional UNet, Channel Attention and Patch-Based Attention mechanisms are integrated. Spatial Attention is used in the decoder part. This allows the model to focus more accurately on important features within the image, aiming to improve segmentation performance. These customized attention mechanisms enable the model to emphasize more prominent features and achieve more accurate results. The proposed model aims to provide accurate and fast segmentation to assist in glaucoma diagnosis by combining deep learning and image processing techniques. The results of the relevant study demonstrate that the proposed model achieves high accuracy and sensitivity. Compared to existing methods, the model's ability to improve the glaucoma diagnosis process and its potential for clinical applications are highlighted. This thesis represents an important step towards early diagnosis and treatment of glaucoma, aiming to prevent vision loss. Future studies could focus on expanding the model and testing it with different data sources to increase its applicability across a wider range of patients.