Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması

Creative Commons License

Ozcan T., Özdemir H., horozoglu f.

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.42, sa.1, ss.153-169, 2026 (TRDizin)

Özet

Göz hastalıklarının erken teşhisi, görme kaybını önlemek ve hastaların yaşam kalitesini korumak açısından kritik öneme sahiptir. Son yıllarda, biyomedikal görüntülemede derin öğrenme yöntemlerindeki hızlı ilerleme, oftalmoloji alanında önemli uygulamalar bulmuştur. Fundus fotoğrafları, optik koherens tomografi ve retina görüntüleri kullanılarak geliştirilen modeller, diyabetik retinopati, glokom, yaşa bağlı makula dejenerasyonu ve diğer retina temelli hastalıkların otomatik teşhisinde yüksek doğruluk oranlarına ulaşmıştır. Bu derleme, göz hastalıklarını tespit etmek için kullanılan mevcut derin öğrenme yaklaşımlarını, kullanılan veri kümelerini, mimari farklılıkları ve performans ölçütlerini incelemektedir. Evrişimsel sinir ağları, transfer öğrenme, hibrit modeller ve giderek artan şekilde görü dönüştürücü tabanlı yöntemler karşılaştırmalı olarak değerlendirilmektedir. Çalışma, alandaki son gelişmeleri özetlemeyi ve gelecekteki araştırmalara yön verecek öneriler sunmayı amaçlamaktadır.
The early detection of eye diseases is critically important for preventing vision loss and maintaining patients' quality of life. In recent years, the rapid advancement of deep learning methods in biomedical imaging has found significant applications within the field of ophthalmology. Models developed using fundus photographs, optical coherence tomography, and retinal images have achieved high accuracy rates in the automated diagnosis of diabetic retinopathy, glaucoma, age-related macular degeneration, and other retina-based diseases. This review examines the current deep learning approaches used for detecting eye diseases, the datasets employed, architectural variations, and performance metrics. Convolutional neural networks, transfer learning, hybrid models, and, increasingly, vision transformer-based methods are comparatively evaluated. The study aims to summarize recent developments in the field and provide recommendations to guide future research.