Diabetic Retinopathy Detection Models: Transition from Conventional to Deep Learning Approaches and A Hybrid Model

Diabetes is a chronic and common disease all over the world that has many side effects. One of the main side effects of this disease is diabetic retinopathy (DR), which if not diagnosed and treated in time, causes low vision and eventually blindness. Early diagnosis of this disease prevents the occurrence of complications of it. As artificial intelligence and deep learning technologies progress, various models for diagnosing medical images like fundus images in diabetic retinopathy became available. Due to the increase in the prevalence of DR, we propose a hybrid method with VGG-16 deep learning model and a hand-crafted feature extraction technique, namely Principal Component Analysis, for the classification of DR. To achieve this goal, two well-known datasets, namely APTOS 2019 and MESSIDOR 2, are considered. On each of the datasets, two hand-crafted models, namely Principal Component Analysis (PCA) and Local Binary Patterns (LBP), and various deep learning models are implemented. In order to evaluate the models and compare them with each other and the state-of-the-art in this field, standard metrics such as accuracy are calculated. The results show that deep learning models are significantly superior to manual models regarding performance in diagnosing DR and its degrees. Moreover, the proposed hybrid method shows notable improvement in classification performance. Furthermore, the results obtained in this study have shown better performance than some other recent studies in the literature.

Keywords: Diabetic Retinopathy, Deep Learning, Medical Image Processing, Convolutional Neural Network

Diyabetik Retinopati Algýlama Modelleri: Gelenekselden Derin Öðrenme Yaklaþýmlarýna Geçiþ ve Bir Hibrit Model

Diyabet, tüm dünyada yaygýn ve kronik bir hastalýktýr ve birçok yan etkiye sahiptir. Bu hastalýðýn baþlýca yan etkilerinden biri, zamanýnda teþhis edilmez ve tedavi edilmezse düþük görmeye ve sonunda körlüðe neden olan diyabetik retinopatidir (DR). Bu hastalýðýn erken teþhisi, komplikasyonlarýnýn ortaya çýkmasýný önler. Yapay zeka ve derin öðrenmeyle ilgili teknolojilerin ilerlemesiyle, diyabetik retinopatide fundus görüntüleri gibi týbbi görüntüleri teþhis etmek için çeþitli modeller kullanýlabilir hale gelmiþtir. DR yaygýnlýðýnýn artmasý nedeniyle, DR'nin sýnýflandýrýlmasý için VGG-16 derin öðrenme modeli ve el-yapýmý bir yöntem olan Principal Component Analysis ile hazýrlanmýþ öznitelik çýkarma tekniklerini içeren hibrit bir yöntem öneriyoruz. Bu hedefe ulaþmak için, iyi bilinen iki veri kümesi, APTOS 2019 ve MESSIDOR 2 dikkate alýnmýþ ve her birinde, iyi bilinen elle hazýrlanmýs¸ Principal Component Analysis (PCA) ve Local Binary Patterns (LBP) modelleri ve derin öðrenme modelleri uygulanmýþtýr. Modelleri birbirleriyle ve bu alanda yapýlmýþ diðer çalýþmalarla deðerlendirmek için doðruluk gibi standart ölçütler hesaplanmýþtýr. Elde edilen sonuçlar, derin öðrenme modellerinin performans açýsýndan DR ve derecelerini teþhis etmede geleneksel modellerden çok daha iyi olduðunu göstermiþtir. Ayrýca, önerilen hibrit yöntem, sýnýflandýrma performansýnda dikkate deðer bir iyileþme göstermektedir. Üstelik, bu çalýþmada elde edilen sonuçlar, literatürdeki diðer bazý güncel çalýþmalardan daha iyi performans göstermiþtir.

Anahtar Kelimeler: Diyabetik Retinopati, Derin Öðrenme, Týbbi Görüntü Ýþleme, Evriþimsel Sinir Aðý