Glokomun renkli fundus fotoğrafı ile teşhisinde evrişimsel yapay sinir ağları yapılarının rolünün araştırılması
Eray Atalay1, Onur Özalp1, Özer Can Devecioğlu2, Hakika Erdoğan3, Türker İnce2, Nilgün Yıldırım11Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Göz Hastalıkları Anabilim Dalı, Eskişehir2İzmir Ekonomi Üniversitesi Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği, İzmir
3Maltepe Üniversitesi Tıp Fakültesi, Göz Hastalıkları Anabilim Dalı, İstanbul
Amaç: Evrişimsel yapay sinir ağları yapılarının glokomlu gözleri normal gözlerden ayırt etme performansının değerlendirilmesi.
Gereç ve Yöntem: ESOGÜ Tıp Fakültesi Göz Hastalıkları Kliniği arşivinde bulunan 5388 hastaya ait 9950 fundus fotoğrafı, farklı 3 deneyimli göz hekimi tarafından glokom, glokom şüpheli ve normal olarak değerlendirildi. Sınıflandırılan fundus fotoğrafları; son teknoloji yapay sinir ağı mimarileri olan 2-B Evrişimli Yapay Sinir Ağları ile değerlendirilerek Derin Artık Ağlar (ResNet) ve Çok Derin Sinir Ağları (VGG) ile karşılaştırıldı. 238 normal ve 320 glokomlu fundus fotoğraflarıyla oluşturulan veri setinde farklı algoritmalarla evrişimsel yapay sinir ağlarının glokomu saptamada doğruluğu, duyarlılığı ve özgüllüğü belirlendi. Glokom şüphesi tespiti için 170 normal, 170 glokomlu ve 167 glokom şüpheli fundus fotoğrafından veri seti oluşturularak ResNet-101 yapıları ile test edildi.
Sonuçlar: Glokomu saptamada doğruluk oranı, duyarlılık ve özgüllük; ResNet-50 ile %96,2, %99,5 ve %93,7, ResNet-101 ile %97,4, %97,8 ve %97,1, VGG-19 ile %98,9, %100 ve %98,1, 2-B Evrişimsel sinir ağları ile %99,4, %100 ve %99 olarak saptandı. Glokom şüphelileri; normallerden ayırmada doğruluk oranı %62, duyarlılık %68 ve özgüllük %56; glokomlulardan ayırmada doğruluk oranı ise %92, duyarlılık %81 ve özgüllük %97 idi. Glokom tespitinde evrişimsel yapay sinir ağları ile 55 fotoğraf 2 sn’de test edilirken, klinisyenler tarafından bir fotoğraf ortalama 24,2 sn’de değerlendirildiği görüldü.
Tartışma: Çalışmada en uygun şekilde tasarlanan ve eğitilen evrişimsel yapay sinir ağları yöntemi az sayıda fundus fotoğrafıyla dahi yüksek doğrulukla glokomlu fundus fotoğraflarını normallerden ayırt edebilmiştir.
Investigation of the role of CNN architectures in the diagnosis of glaucoma using color fundus photography
Eray Atalay1, Onur Özalp1, Özer Can Devecioğlu2, Hakika Erdoğan3, Türker İnce2, Nilgün Yıldırım11Eskişehir Osmangazi University Faculty Of Medicine, Department Of Ophthalmology, Eskişehir, Turkey2İzmir University Of Economics Faculty of Engineering, Department of Electrical and Electronics Engineering, İzmir, Turkey
3Maltepe University Faculty Of Medicine, Department Of Ophthalmology, İstanbul, Turkey
Objectives: We evaluated the performance of convolutional neural network (CNN) architectures to distinguish glaucoma fundus photographs from normal eyes.
Materials and Methods: A total of 9950 fundus photos of 5388 patients from the database of ESOGU Faculty of Medicine Ophthalmology Clinic were labelled as glaucoma, glaucoma suspect and normal by 3 different experienced ophthalmologists. 2-D Convoluted Artificial Neural Network outputs of fundus photographs were compared with state-of-the-art artificial neural network architectures such as Deep Residual Networks (ResNet) and Very Deep Neural Networks (VGG). The accuracy, sensitivity and specificity in detecting glaucoma with different algorithms were evaluated using a dataset of 238 normal and 320 glaucomatous fundus photographs. For the detection of glaucoma suspect, ResNet-101 structures were tested in a data set of 170 normal, 170 glaucoma and 167 glaucoma suspect fundus photographs.
Results: Accuracy, sensitivity and specificity in detecting glaucoma was; 96.2%, 99.5% and 93.7%, respectively with ResNet-50; 97.4%, 97.8% and 97.1% respectively with ResNet-101; 98.9%, 100% and VGG-19 98.1%, respectively with VGG-19 and 99.4%, 100% and 99%, respectively with 2-D CNN. In distinguishing glaucoma suspects from normals, the accuracy, sensitivity and specificifty were 62%, 68% and 56%, respectively. The respective values for glaucoma differentiation from glaucoma suspects were 92%, 81% and 97%. While 55 photographs could be evaluated in 2 seconds with CNN, a clinician spent an average of 24.2 seconds to evaluate a single photograph.
Conclusions: An appropriately designed and trained CNN was able to distinguish glaucoma with high accuracy even with a small number of fundus photographs.
Sorumlu Yazar: Nilgün Yıldırım, Türkiye
| ARAÇLAR |
 Yazdır Alıntıyı İndir RIS EndNote BibTex Medlars Procite Reference Manager E-Postala Paylaş Yazara e-posta gönder
Benzer makaleler Google Scholar |