KALITSAL RETİNA HASTALIKLARININ SINIFLANDIRILMASINDA DERİN ÖĞRENME MİMARİLERİNİN UYUMU VE ENSEMBLE ÖĞRENMENİN DEĞERLENDİRİLMESİ
INTERNATIONAL TOPKAPI CONGRESS-VII, İstanbul, Türkiye, 8 - 09 Haziran 2026, cilt.1, ss.547-556, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Cilt numarası: 1
- Basıldığı Şehir: İstanbul
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.547-556
- Ankara Üniversitesi Adresli: Evet
Özet
Kalıtsal Retina Hastalıkları (IRD), erken teşhis ve uygun klinik değerlendirme gerektiren önemli göz hastalıkları arasında yer almaktadır. Son yıllarda derin öğrenme tabanlı yöntemler, tıbbi görüntü analizinde yüksek performans göstermiş ve oftalmolojik görüntülerin otomatik değerlendirilmesinde umut verici sonuçlar ortaya koymuştur. Bu çalışmada, açık erişimli “Eye Disease Image Dataset – Mendeley” veri seti kullanılarak kalıtsal retina hastalıklarının görüntü tabanlı sınıflandırılması gerçekleştirilmiştir. Çalışma kapsamında farklı mimari özelliklere sahip derin öğrenme modelleri olan DenseNet121, EfficientNetB0 ve Vision Transformer (ViT) modellerinin bireysel performansları incelenmiştir. Bunun yanında DenseNet121+ViT ve EfficientNetB0+ViT hibrit ensemble yapıları ile DenseNet121, EfficientNetB0 ve ViT modellerinin ağırlıklı oylama (weighted voting) tabanlı çoklu ensemble yaklaşımı değerlendirilmiştir. Çalışmanın temel amacı, yalnızca kalıtsal retina hastalıklarının yapay zekâ destekli sınıflandırılmasını gerçekleştirmek değil, aynı zamanda farklı model mimarileri arasındaki uyumun ensemble performansı üzerindeki etkisini incelemektir. Özellikle CNN tabanlı mimariler ile Transformer tabanlı yaklaşımların birlikte kullanımının performans üzerindeki etkileri araştırılmıştır. Bunun yanında, tekil modeller ile ensemble modeller arasındaki performans farklılıkları karşılaştırılmış ve farklı mimari yapıların birbirlerini ne ölçüde tamamladığı incelenmiştir. Böylece mimari çeşitliliğin ensemble öğrenme üzerindeki etkisinin daha kapsamlı biçimde değerlendirilmesi amaçlanmıştır. Ayrıca model karar süreçlerinin yorumlanabilirliğini artırmak amacıyla LIME ve Score-CAM tabanlı açıklanabilir yapay zekâ (XAI) yöntemleri kullanılmıştır. Çalışmada elde edilen bulgular, farklı derin öğrenme mimarileri arasındaki etkileşimin ensemble öğrenme başarısına katkısını ortaya koymuş, açıklanabilir yapay zekâ yöntemleri ile model davranışlarının daha anlaşılır hale getirilmesini sağlamış ve tıbbi görüntü sınıflandırma çalışmalarına karşılaştırmalı ve yorumlanabilir bir yaklaşım sunmuştur.