Diabetic Retinopathy (DR) is the disease that causes blindness when it reaches to the
proliferative stage. There are four stages in DR namely: NO DR, Mild DR, Severe DR
and Proliferative DR. The detection of diabetic retinopathy in the early stages can
prevent sight loss in a notable amount of the population worldwide. The earliest signs
of diabetic retinopathy are hemorrhages and hard exudates which are red and yellow
lesions on the retina of the eye. Diagnosis of the DR is performed using retinal image
analysis. Manual Analysis of these images to decide the presence of the DR is
somewhat slow and costly. To ease the job of a medical consultant, we can take the
images of the retina and feed them to the trained machine learning model and get the
results whether the person has diabetic retinopathy or not.
In this thesis, we propose a system to detect and classify diabetic retinopathy using the
Gabor filter-based CNN with fusion. Proposed model fuses the decisions generated
by Gabor-based CNN and traditional CNN pipelines. A preprocessing stage is
employed to normalize images before feeding them into the CNN architecture.
Preprocessing includes cropping and image resizing. A pre-trained CNN model
VGG16, is selected as a deep machine learning architecture throughout the thesis.
Decision fusion approaches including Sum Rule and Product Rule are employed
throughout the fusion process. The recall, specificity, f1score, precision, and accuracy
of the models have been studied and generated results are compared with each other
and methods in the literature. The receiver characteristics curve (ROC) and Area under
the curve (AUC) metrics are also measured to evaluate the classification performance.
Messidor retina image database have been used to measure the performance of the
iv
proposed system. The results show that the proposed system to detect and classify
diabetic retinopathy using the Gabor filter-based CNN with fusion generates higher
performance over the state-of-the-art alternative methods in the literature.
Keywords: Convolutional Neural Networks, Deep Learning, Machine Learning,
Gabor Filters, Data Fusion.
ÖZ:Diyabetik Retinopati (DR), proliferatif aşamaya ulaştığında körlüğe neden olan bir
hastalıktır. Diyabetik retinopatinin erken evrelerde saptanması, dünya nüfusunun
önemli bir kısmında görme kaybını önleyebilir. Diyabetik retinopatinin en erken
belirtileri, gözün retinasında kırmızı ve sarı lezyonlar olan kanamalar ve sert
salgılardır. DR'nin teşhisi, retina görüntü analizi kullanılarak
gerçekleştirilebilmektedir. DR'nin varlığına karar vermek için bu görüntülerin Manuel
Analizi biraz yavaş ve maliyetlidir. Bir tıbbi danışmanın işini kolaylaştırmak için
retinanın görüntülerini alıp eğitimli makine öğrenme modeline besleyebilir ve kişide
diyabetik retinopati olup olmadığına bakabiliriz.
Bu tezde, füzyonlu Gabor filtre tabanlı CNN kullanarak diyabetik retinopatiyi tespit
etmek ve sınıflandırmak için bir sistem öneriyoruz. Önerilen model, Gabor tabanlı
CNN ve geleneksel CNN kanalları tarafından üretilen kararları birleştirir. Görüntüleri
CNN mimarisine beslemeden önce normalleştirmek için bir ön işleme aşaması
kullanılmaktadır. Ön işleme süreci, kırpma ve görüntünün yeniden boyutlandırılmasını
içerir. Tez kapsamında önceden eğitilmiş bir CNN modeli olan VGG16 derin makine
öğrenimi mimarisi olarak seçilmiştir. Birleştirme süreci boyunca toplam kuralı ve
çarpım kuralı içeren karar birleştirme yaklaşımları kullanılmaktadır. Modellerin
hatırlama, özgüllük, f1skor, kesinlik ve doğrulukları çalışılmış ve elde edilen sonuçlar
literatürdeki yöntemler ve birbirleriyle karşılaştırılmıştır. Alıcı özellikleri eğrisi (ROC)
ve Eğrinin altındaki alan (AUC) metrikleri de sınıflandırma performansını
değerlendirmek için ölçülür. Önerilen sistemin performansını ölçmek için Messidor
retina görüntü veri tabanı kullanılmıştır. Sonuçlar, füzyonlu Gabor filtresi tabanlı CNN
vi
kullanılarak diyabetik retinopatiyi tespit etmek ve sınıflandırmak için önerilen
sistemin, literatürdeki son teknoloji alternatif yöntemlere göre daha yüksek
performans ürettiğini göstermektedir.
Anahtar Kelimeler: Evrişimli Sinir Ağları, Derin Öğrenme, Makine Öğrenimi, Gabor
Filtreleri, Veri Füzyonu.
