Prototype conceptFundus · OCT

Fundus and OCT Eye Analysis

A multimodal ophthalmic-imaging concept for disease classification and lesion localization across fundus photographs and OCT scans.

Project record

This page reports the maturity and evidence documented in Ethosoft's working archive. It does not imply peer review, regulatory clearance, or clinical validation.

Methods and evidence

Prototype conceptFundus · OCT

Fundus and OCT Eye Analysis

A multimodal ophthalmic-imaging concept for disease classification and lesion localization across fundus photographs and OCT scans.

Scope: The brief targets more than 25 eye conditions across the two modalities.
Preprocessing: Contrast adjustment, Gaussian smoothing, and histogram equalization.
Model direction: CNNs, attention, transfer learning, and a prototype Gemini-connected interpretation layer.

Evidence boundary: accuracy, F1, and IoU are proposed evaluation metrics; the available document does not report a completed validation study.

Expanded project brief

Two imaging modalities, one localization layer.

The eye-analysis concept combines fundus photographs, which expose retinal vessels and the posterior eye, with OCT scans, which resolve layered retinal structure. The supplied brief targets more than 25 conditions and proposes contrast enhancement, Gaussian denoising, and histogram equalization before model inference.

A CNN and transfer-learning backbone are paired with attention so that the system can focus on clinically relevant regions. A Gemini-connected prototype is described as an interpretation and localization layer: rather than returning only a disease label, it should indicate where the finding appears and produce an explanation that a clinician can inspect alongside the original image.

Evidence boundary: the folder describes a prototype direction and candidate metrics such as F1 and IoU; it does not provide a completed multi-disease, multi-device clinical validation.

Verbatim project material

Original source text

The following text is reproduced exactly from the supplied project files. It is preserved for provenance; it may be in Turkish, use Markdown notation, or contain draft statements.

göz/👁️ Fundus ve OCT Görüntüleri Aracılığıyla 25'ten Fazla Hastalığın Tespiti.md

Download original file

**Yapay Zeka Destekli Görüntü Analizi ve Lokalizasyon Sistemi**

## 1. Giriş

Göz sağlığı, insan vücudunun genel sağlığı üzerinde doğrudan etkili olan önemli bir faktördür. **Fundus** (göz dibi) ve **OCT (Optik Koherens Tomografi)** görüntüleri, gözdeki birçok hastalığın teşhisinde kullanılan etkili yöntemlerdir. Bu proje, **yapay zeka** destekli bir sistemle **Fundus** ve **OCT görüntülerinden 25’ten fazla hastalığı** tespit etmeyi hedeflemektedir. Sistem, sadece hastalıkları tespit etmekle kalmaz, aynı zamanda **Gemini yapay zeka modeli** ile gözün hangi bölgesinde sorun olduğunu **lokalize eder**.

---

## 2. Amaç

Bu projenin amacı, **Fundus** ve **OCT görüntüleri** kullanarak gözdeki hastalıkları tespit etmek ve **yapay zeka tabanlı bir sistem** ile bu hastalıkların hangi bölgelerde meydana geldiğini **lokalize etmek**tir. Özellikle şu hedeflere odaklanılmaktadır:

- 25’ten fazla göz hastalığının doğru bir şekilde **tespiti**.

- **Göz bölgesi lokalizasyonu** ile hangi alanlarda sorun olduğunu belirlemek.

- **Yapay zeka algoritmalarının** doğruluğunu ve güvenilirliğini artırmak.

- Klinik ortamlarda **hızlı ve doğru tanı** konmasına yardımcı olmak.

---

## 3. Teknik Yöntem ve Yapay Zeka Uygulaması

### 3.1 Görüntü Toplama ve Veri Seti

Proje için kullanılan **Fundus** ve **OCT görüntüleri**, dünya çapında **göz hastalıkları veritabanları** ve klinik işbirlikleri aracılığıyla toplanmıştır. Bu görüntüler, çeşitli göz hastalıklarını içeren 25'ten fazla hastalığı temsil etmektedir. **Fundus görüntüleri**, gözün arka kısmındaki damar yapısını ve retina dokularını, **OCT görüntüleri** ise gözdeki retina ve optik sinir başını detaylı şekilde gösterir.

### 3.2 Ön İşleme

Fundus ve OCT görüntülerinin **yapay zeka algoritmalarına** uygun hale gelmesi için ön işleme teknikleri uygulanmıştır:

- **Kontrast iyileştirme**: Görüntülerin daha belirgin hale gelmesi için kontrast artırma işlemi uygulanmıştır.

- **Gaussian bulanıklaştırma**: Gürültülerin giderilmesi amacıyla bulanıklaştırma işlemi yapılmıştır.

- **Histogram eşitleme**: Görüntüdeki kontrast dengesizliği giderilmiştir.

Bu ön işleme adımları, modelin doğru sonuçlar vermesini sağlamak amacıyla yapılmıştır.

### 3.3 Model Tasarımı ve Eğitim

**Gemini 2.5** yapay zeka modeli, göz hastalıklarının tespiti için en son derin öğrenme teknikleriyle eğitilmiştir. Model, Fundus ve OCT görüntülerinden, gözün hangi bölgesinde hastalık olduğunu tespit edebilecek şekilde yapılandırılmıştır.

#### Model Özellikleri:

- **CNN (Convolutional Neural Networks)** tabanlı yapı.

- **Attention mechanism**: Görüntüdeki önemli alanlara odaklanarak doğruluk artırılmıştır.

- **Transfer learning**: Önceden eğitilmiş modellerden elde edilen özellikler kullanılarak daha hızlı ve doğru sonuçlar elde edilmiştir.

Model, görüntülerin **bölgesel** analizini yaparak, gözün hangi alanında problem olduğunu yüksek doğrulukla tespit etmektedir.

### 3.4 Lokalizasyon ve Hastalık Tespiti

Model, görüntüdeki hastalık belirtilerini **lokalize etme** yeteneğine sahiptir. Bu aşamada, **yapay zeka algoritmaları**, gözün farklı bölgelerinde hangi hastalıkların bulunduğunu belirler. Sistemde şu hastalıklar tespit edilmektedir:

- **Glokom**

- **Makula dejenerasyonu**

- **Diabetik retinopati**

- **Katarakt**

- **Retina damar tıkanıklığı**

- **Ve diğer retina hastalıkları**

Her hastalık için **lokalizasyon** yapılarak, hastalığın gözün hangi bölümünde olduğunu harita üzerinde gösterir.

### 3.5 Performans Değerlendirmesi

Modelin doğruluğu, **F1 skoru**, **IoU (Intersection over Union)** ve **accuracy** gibi performans metrikleri ile değerlendirilmiştir. Yapılan testler sonucunda, sistemin **yüksek doğruluk oranları** ile çalıştığı tespit edilmiştir.

---

## 4. Klinik Entegrasyon ve Kullanım Potansiyeli

**NeuroMed** platformu, **PACS** ve **HBYS** sistemleriyle uyumlu bir şekilde çalışacak şekilde tasarlanmıştır. Kullanıcılar, **Fundus ve OCT görüntülerini** sisteme yükleyerek **hızlı ve doğru sonuçlar** alabilirler. Yapay zeka, görüntüleri analiz ederek hastalığı tespit eder ve hastalığın gözdeki **lokasyonunu** gösterir.

### 4.1 Klinik Uygulama

Sistem, klinik ortamlarda göz hastalıklarının hızlı ve doğru bir şekilde tespit edilmesi için kullanılabilir. **Otomatik raporlama** ile hekimler, hastalarının **göz durumu hakkında anında bilgi** sahibi olabilirler. Ayrıca, **açıklanabilir yapay zeka** özellikleri ile her sonuç detaylı bir şekilde açıklanır, bu da klinik karar süreçlerini destekler.

---

## 5. Sonuçlar ve Gelecek Adımlar

Bu proje, **Fundus ve OCT görüntüleri** kullanarak **25'ten fazla göz hastalığını** yüksek doğrulukla tespit eden bir **yapay zeka tabanlı sistem** geliştirmiştir. **Lokalizasyon özellikleri** ile hastalıkların gözdeki konumu da belirlenebilmektedir.

### 5.1 Gelecek Adımlar:

- **Daha fazla hastalık türü** eklenerek sistemin kapsamı genişletilebilir.

- **Veri seti büyütülerek**, modelin genelleme yeteneği artırılabilir.

- **Klinik testler** yapılarak modelin pratikteki başarısı değerlendirilebilir.

göz/aciklama.txt

Download original file

25ten fazla hastalığı Fundus ve OCT görüntüleri aracılığıyla tespit ediyoruz. (prototip: Gemini ile gözün hangi bölgesinde sorun olduğunu lokalize ediyoruz.)