Diyabetik Retinopati Görüntülerinin Analizi için Uyarlanır Yeniden Boyutlandırıcı Bütünleştirilmiş Derin Üretken Öznitelik Üretim Çerçevesi

Abstract

Diyabetik Retinopati (DR), diyabet hastalarında oluşan görme kaybının önde gelen nedenlerinden biri olup, erken ve doğru tespiti ciddi komplikasyonların önlenmesi açısından hayati öneme sahiptir. Bu tez, çeşitli verisetlerinde doğruluğu ve sağlamlığı artırmak için tasarlanmış olan Uyarlanır Yeniden Boyutlandırıcı Bütünleştirilmiş Derin Üretken Öznitelik Üretim (AR+DRFG) mimarisi ortaya koyarak fundus görüntülerinden otomatik DR tespiti için yeni bir yaklaşım sunmaktadır. Araştırma, DR tespiti için giriş görüntüsü küçültülmesi ve öznitelik çıkarma işlemleri için mevcut literatürdeki kritik boşlukları ele almaktadır. Önerilen çerçeve, giriş görüntülerini öznitelik çıkarımı için en uygun çözünürlüklere akıllıca yeniden boyutlandıran bir Uyarlanır Yeniden Boyutlandırıcı (AR) bileşenini, yeniden boyutlandırılmış görüntülerden sağlam ve üretken öznitelikler üreten bir Derin Üretken Öznitelik Üretim (DRFG) modeli ile bütünleştirir. Bu mimari, çeşitli tıbbi görüntüleme uygulamaları için geliştirilmiş genelleştirilebilirlik ve zengin öznitelik çıkarma kapasitelerini hedeflemektedir. Çalışmada yaygın olarak tanınan ve kamuya açık üç fundus görüntüsü veriseti kullanılmıştır: APTOS, MESSIDOR-2, ve IDRiD. Veri kıtlığını gidermek ve model genelleştirmesini iyileştirmek için veri artırımı teknikleri uygulanmıştır. Önerilen AR+DRFG mimarisi, hem Sınama Seti Doğrulama (hold-out validation), hem de k-Katlı Çapraz Doğrulama (k-Fold cross-validation) yöntemleri kullanılarak, VGG, ResNet, Inception, MobileNet, EfficientNet ve DenseNet ailelerine ait son teknoloji CNN kıyaslama modellerine karşı sistematik olarak değerlendirilmiştir. Kapsamlı deneysel sonuçlar, önerilen mimarinin her üç veriseti için de üstünlüğünü göstermektedir. Performans değerlendirmesi, basit doğruluk ölçütlerinin ötesinde, her DR şiddet seviyesi için ayrıntılı karışıklık matrisi analizi ile doğruluk ve kayıp grafikleri aracılığıyla eğitim dinamiklerinin incelenmesini de içermektedir. Sonuçlar, modelin sağlam genelleştirme kapasitelerini ve hastalığın farklı evreleri arasında ayrım yapmadaki güçlü yönlerini de ortaya koymaktadır. Bu araştırmanın temel katkısı, DR tespiti için son teknoloji genelleştirilebilirlikli zengin ve çeşitlendirilmiş öznitelik çıkarımı gerektiren birçok kullanım senaryolarına uygulanabilen daha doğru ve sağlam bir otomatikleştirilmiş sistem geliştirilmesinde yatmaktadır. Önerilen AR+DRFG mimarisi, diyabetik retinopatinin tespiti için tıbbi görüntü analizinde önemli bir ilerlemeyi temsil etmektedir.Diabetic Retinopathy (DR) is a leading cause of vision loss among diabetic patients, making early and accurate detection crucial for preventing severe complications. This thesis presents a novel approach for automated DR detection from fundus images by introducing an Adaptive Resizer Integrated Deep Reproductive Feature Generation (AR+DRFG) architecture designed to enhance accuracy and robustness across diverse datasets. The research addresses critical gaps in existing literature, particularly in handling input image downsizing and feature extraction for DR detection. The proposed framework integrates an Adaptive Resizer (AR) component that intelligently resizes input images to optimal resolutions for feature extraction, with a Deep Reproductive Feature Generation (DRFG) model that generates robust and reproductive features from the resized images. This architecture targets improved generalizability and rich feature extraction capabilities for various medical imaging applications. The study employed three widely recognized and publicly available fundus image datasets: APTOS, MESSIDOR-2, and IDRiD. Data augmentation techniques were applied to address data scarcity and improve model generalization. The proposed AR+DRFG architecture was systematically evaluated against state-of-the-art CNN benchmark models from VGG, ResNet, Inception, MobileNet, EfficientNet, and DenseNet families using both hold-out validation and k-fold cross-validation methods. Comprehensive experimental results demonstrate the superiority of the proposed architecture across all three datasets. The performance evaluation extended beyond simple accuracy metrics to include detailed confusion matrix analysis for each DR severity level and examination of training dynamics through accuracy and loss graphs. The results reveal the model's strengths in distinguishing between different stages of the disease while maintaining robust generalization capabilities. The key contribution of this research lies in developing a more accurate and robust automated system for DR detection that can be applied to various use cases requiring rich and diversified feature extraction with state-of-the-art generalizability. The proposed AR+DRFG architecture represents a significant advancement in medical image analysis for the detection of diabetic retinopathy.