DIAGNOSIS AND CLASSIFICATION OF DIABETIC RETINOPATHY WITH YOLOv8-BASED DEEP LEARNING MODEL

Diyabetik retinopati, diyabetin gözlere etki eden bir komplikasyonudur. Yüksek kan şekeri düzeyleri, retinanın damarlarına zarar vererek gözdeki ışığı algılayan hücrelere zarar vermekte ve görme kaybına, ciddi durumlarda ise körlüğe neden olabilmektedir. Derin öğrenme modelleri, büyük veri setlerini işleme ve öğrenme kapasitesine sahip güçlü araçlardır ve diyabet ile diyabetik retinopati teşhisinde de kullanılması durumunda hastalığın erken teşhisine fayda sağlayabilecektir. Derin öğrenme, yüksek hassasiyet ve spesifiklik ile diyabetik retinopati belirtilerinin erken ve yüksek doğrulukla tespit edilmesini ve bunun yanı sıra uzmanlar tarafından yapılan hataların minimize edilmesine olanak sağlar. Gerçekleştirdiğimiz bu çalışmada da CNN mimarilerinden biri olan YOLOv8 modeli kullanılarak diyabetik retinopati hastalığının tespiti ve sınıflandırılması amaçlanmıştır. Çalışmamızda 2 farklı CPU ve 2 farklı GPU ile deneysel çalışmalar yapılmıştır. Yapılan deneysel çalışmalar sonucunda en yüksek doğruluk değeri GPU1 ile %84.91 olarak elde edilmiş ve dört farklı yöntemin (CPU1, CPU2, GPU1, GPU2) ortalama doğruluk değeri de %83.82 olarak elde edilmiştir.

Diabetic retinopathy is a complication of diabetes that affects the eyes. High blood sugar levels damage the vessels of the retina, damaging the light-sensing cells in the eye, and can cause vision loss and, in severe cases, blindness. Deep learning models are powerful tools that can process and learn large data sets, and if used in the diagnosis of diabetes and diabetic retinopathy, they can benefit the early diagnosis of the disease. Deep learning enables early and high-accuracy detection of diabetic retinopathy symptoms with high sensitivity and specificity, as well as minimizing errors made by experts. In this study, we aimed to detect and classify diabetic retinopathy using the YOLOv8 (You Only Look Once) model, one of the CNN (convolutional neural network) architectures. The experimental studies were conducted with two different CPUs and two different GPUs. As a result of the experimental studies, the highest accuracy value was obtained as 84.91% with GPU1, and the average accuracy across the four different methods (CPU1, CPU2, GPU1, GPU2) was 83.82%.