Glokomun Renkli Fundus Fotoğrafı ile Teşhisinde Evrişimsel Yapay Sinir Ağları Yapılarının Rolünün Araştırılması
Türk Oftalmoloji Dergisi, cilt.52, sa.3, ss.193-200, 2022 (ESCI, Scopus, TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 52 Sayı: 3
- Basım Tarihi: 2022
- Doi Numarası: 10.4274/tjo.galenos.2021.29726
- Dergi Adı: Türk Oftalmoloji Dergisi
- Derginin Tarandığı İndeksler: Emerging Sources Citation Index (ESCI), Scopus, Directory of Open Access Journals, TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.193-200
- Maltepe Üniversitesi Adresli: Evet
Özet
Amaç: Evrişimsel yapay sinir ağları (EYSA) yapılarının glokomlu gözleri normal gözlerden ayırt etme performansının değerlendirilmesidir. Gereç ve Yöntem: Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Göz Hastalıkları Kliniği Arşivi’nde bulunan 5.388 hastaya ait 9.950 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. İki yüz otuz sekiz normal ve 320 glokomlu fundus fotoğraflarıyla oluşturulan veri setinde farklı algoritmalarla EYSA’nın 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. Bulgular: 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 EYSA 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 EYSA ile 55 fotoğraf 2 sn’de test edilirken, klinisyenler tarafından bir fotoğrafın ortalama 24,2 sn’de değerlendirildiği görüldü. Sonuç: Çalışmada en uygun şekilde tasarlanan ve eğitilen EYSA yöntemi az sayıda fundus fotoğrafıyla dahi yüksek doğrulukla glokomlu fundus fotoğraflarını normallerden ayırt edebilmiştir.
Objectives: To evaluate the performance of convolutional neural network (CNN) architectures to distinguish eyes with glaucoma from normal eyes. Materials and Methods: A total of 9,950 fundus photographs of 5,388 patients from the database of Eskişehir Osmangazi University Faculty of Medicine Ophthalmology Clinic were labelled as glaucoma, glaucoma suspect, or normal by three different experienced ophthalmologists. The categorized fundus photographs were evaluated using a state-of-the-art two-dimensional CNN and compared with deep residual networks (ResNet) and very deep neural networks (VGG). The accuracy, sensitivity, and specificity of glaucoma detection with the different algorithms were evaluated using a dataset of 238 normal and 320 glaucomatous fundus photographs. For the detection of suspected glaucoma, ResNet-101 architectures were tested with a data set of 170 normal, 170 glaucoma, and 167 glaucoma-suspect fundus photographs. Results: Accuracy, sensitivity, and specificity in detecting glaucoma were 96.2%, 99.5%, and 93.7% with ResNet-50; 97.4%, 97.8%, and 97.1% with ResNet-101; 98.9%, 100%, and 98.1% with VGG-19, and 99.4%, 100%, and 99% with the 2D CNN, respectively. Accuracy, sensitivity, and specificity values in distinguishing glaucoma suspects from normal eyes were 62%, 68%, and 56% and those for differentiating glaucoma from suspected glaucoma were 92%, 81%, and 97%, respectively. 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. Conclusion: An appropriately designed and trained CNN was able to distinguish glaucoma with high accuracy even with a small number of fundus photographs.