Theses supervised by Prof. Dr. Osman Eroğul
45 theses · TOBB Economics and Technology University, Başkent University
Aktif tıbbi cihazlarda fonksiyonel güvenlik gerekliliklerinin incelenmesi
Aktif tıbbi cihazlarda tehlike riski taşıyan fonksiyonlar, programlanabilir elektrikli tıbbi sistemler kullanılarak önleniyor ise bu kontrol sistemlerinde oluşacak hataların kabul edilemez riske yol açmaması gerekmektedir. IEC 60601-1 ve özel cihaz standartları programlanabilir elektrikli tıbbi sistemlerinin(PEMS) geliştirilmesi ve hayata geçirilmesi için gereklilikleri tanımlamış, cihazın risk taşıyan fonksiyonlarının koruyucu sistemler tarafından otomatik olarak yerine getirilmesini talep etmektedir. Ayrıca, Tıbbi Cihaz Yönetmeliği de tıbbi cihazlardaki programlanabilen elektronik sistemlerin süreklilik, güvenilirlik ve performans şartları sağlanacak şekilde tasarlanmasını şart koşmaktadır. Öncelikle Tıbbi Cihaz Yönetmeliği ve standartlarında güvenilirlik şartlarının nasıl açıklandığı bu tez kapsamında incelenmiştir. Tıbbi cihaz standartlarında programlanabilir kontrol sistemleri için istenilen güvenilirlik sağlama kriterlerinin, fonksiyonel güvenlik standartları ile eşleştiği tespit edilmiştir. Ancak tıbbi cihaz standartlarında kontrol sisteminin güvenlik bütünlük seviyesinin (SIL) ne olması gerektiği ve tasarımında kullanılacak tekniklerin açıklamadığı tespit edilmiştir. Bu doğrultuda otomotiv sanayi, proses güvenliği ve nükleer enerji santralleri de dahil olmak üzere emniyet kritik uygulamaların tamamında kullanılan fonksiyonel güvenlik standartlarının aktif tıbbi cihaz ürün geliştirme süreçlerinde de kullanılması ile tıbbi cihazların güvenilirliğinin sağlanacaktır. Kontrol sistemlerini oluşturan donanımların fonksiyonel güvenliği için sistematik hatalar ve rastgele donanım arızaları incelenerek, güvenilirlik hesaplamasının nasıl yapılacağı açıklanmıştır. 1oo1, 1oo2, 2oo2, 1oo2D ve 2oo3 mimari yapıları için IEC 61508 standardına göre güvenilirlik blok diyagramı metodu kullanılarak elde edildi. Daha sonra, rastgele donanım arızaları için bileşenlerin hata modları ve hata oranları kullanılarak SIL hesaplamasında kullanılacak hata oranlarının Hata Türü ve Etkileri Analizi (FMEA) ile nasıl elde edileceği açıklanmıştır. Donanım mimari yapıları için her bir alt sistemin hata olasılığının hesaplanması için MATLAB'da bir program geliştirilmiş ve örnek hata olasılıkları hesaplanmıştır. Daha sonra elde edilen değerler kullanılarak örnek bir kontrol sisteminin güvenilirlik seviyesinin nasıl artırılabileceği gösterilmiştir.
Siemens artiste lineer hızlandırıcı cihazının Monte Carlo Yöntemi kullanılarak modellenmesi ve enerjiye etki eden parametrelerin değerlendirilmesi
Radyoterapinin amacı, tümöre yüksek dozda radyasyon verirken, tümörün etrafında bulunan sağlıklı dokuları en iyi şekilde korumaktır. Bu amaca ulaşmak için, elde edilen doz dağılımı, kesin doğruluk içeren metotlarla doğrulanmalıdır. Monte Carlo metodu, çeşitli fiziksel süreçler için olabilecek etkileşimleri en doğru şekilde simüle eder ve rastgele sayılar kullanarak problemleri çözmeye çalışır. Bu metot, elektron ve fotonun, havada ve madde içinde karşılaşabileceği bütün durumları doğru bir şekilde kontrol eder. Monte Carlo metodu, her bir parçacığı, bütün enerjisi bitene kadar takip eder ve yaptığı bütün etkileşimleri hesaplar. Bu yüzden bu metot, radyoterapi tedavilerinin simülasyonu için en doğru metot olma özelliği taşır. Bu çalışmada, 6 MV enerjili Siemens Artiste lineer hızlandırıcı cihazının (LİNAK), birincil elektron parametreleri, Monte Carlo metodu kullanılarak incelenmiştir. Hedefe çarpan birincil elektronların, Ortalama Enerji ve Yarı Maksimumdaki Tam Genişlik (YMTG) gibi karakteristik özelliklerinin tanımlanması gerekli olduğundan, bu gibi parametreleri belirlemek için Monte Carlo metodu kullanılmıştır. Yüzde Derin Doz (YDD) ve lateral doz profili ölçüm değerleri, iyon odası kullanılarak su fantomunda ölçülmüştür. Aynı zamanda, farklı derinliklerde film dozimetrisi kullanılarak, yüzde derin doz ve lateral doz profil değerleri elde edilmiştir. İlk adımda, Siemens Artiste lineer hızlandırıcı cihazı, BEAMnrc kodu kullanılarak modellenmiştir. Bu adımda, lineer hızlandırıcı cihazının kafa kısmında bulunan bileşenler modellenmiştir. Bu bileşenler: çıkış penceresi, hedef, birincil kolimatörler, düzleştirici filtre, iyon odaları, Y çeneleri ve X çok yapraklı kolimatörlerden (ÇYK) oluşmaktadır. İkinci adımda ise, BEAMnrc kodu kullanılarak elde edilen faz uzay dosyası, DOSXYZnrc simülasyon programında kullanılmıştır. Bu adımda, DOSXYZnrc içinde oluşturulan su fantomu üzerinde elde edilen doz dağılımları incelenmiştir. Bütün sonuçlar, 100 cm olan kaynak cilt mesafesinde (SSD) ve 10 x 10 cm2 alanda elde edilmiştir. Birincil elektron parametreleri olarak, 6.3 MeV ortalama enerji ve 0.30 cm YMTG değeri kullanıldığında, Monte Carlo simülasyonu ile elde edilen değerler ve ölçüm sonuçları arasında iyi bir uygunluk elde edilmiştir. YMTG değerlerinin, yüzde derin doz eğrisi üzerinde çok az etkisinin olduğu gözlemlenmiştir. Ortalama enerji değerlerinin ve YMTG değerlerinin, lateral doz profili üzerinde etkisinin olduğunun fakat bu etkinin tolerans değerleri içinde kaldığı görülmüştür. Birincil elektron parametreleri, özellikle lineer hızlandırıcı cihazının kafasında bulunan bileşenlere bağlıdır. Elektron parametreleri üzerindeki küçük bir değişiklik, doz dağılımı üzerinde güçlü etkiler yaratabilir. Bu nedenle elektron parametreleri doğru bir şekilde belirlenmelidir. Tez çalışması kapsamında Monte Carlo simülasyonundan elde edilen faz uzay dosyası, doz saçılmalarında, ÇYK sızıntılarında, hasta üzerinde herhangi bir yerde oluşan doz dağılımının kontrol edilmesi ve karşılaştırılmasında ve çeşitli radyasyon çalışmalarında kullanılabilir. Anahtar Kelimeler: Monte Carlo, Simülasyon, BEAMnrc, DOSXYZnrc, Siemens Artiste.
Kablosuz polisomnografi cihazı tasarımı
Uyku sırasında yaşanan solunum güçlükleri, uyku apnesi ve horlama gibi solunum problemleri hayatı tehdit eden ve uyku kalitesini olumsuz etkileyen uyku bozukluklarındandır. Bu tip uyku bozukluklarının doğru teşhisi de hayati önem taşımaktadır. Uykuda solunum bozukluklarının tespitinde altın standart olarak kabul edilen polisomnografi; inoperatif elektrofizyolojik izleme yöntemleri kullanılarak uykuya dalma sürecinde, uykuda ve uyku sonrasında sinir sisteminin, kardiyorespiratuar sistemin ve vücut pozisyonu, vücut sıcaklığı gibi uykuyla ilişkili bazı fiziksel ve fizyolojik büyüklüklerin gerçek zamanlı olarak kaydedilmesi olarak tanımlanabilir. Test sonunda toplanan veriler, uzman hekim tarafından incelenir ve uyku bozukluğu mevcut ise inceleme sonrası teşhisi yapılır. Polisomnografi testi oldukça maliyetlidir ve uyku merkezlerinde bu test için sınırlı sayıda oda, test cihazı ve uyku teknisyeni vardır. Bu sebeplerle, test maliyetlerini azaltmak ve daha fazla hastaya hizmet vermek üzere uyku testlerinin evde gerçekleştirilmesine imkân verecek cihazlar üretilmiştir. Genel olarak Evde Uyku Apnesi Testi (Home Sleep Apnea Test) (HSAT) kiti olarak adlandırılan bu cihazlar; kandaki oksijen yoğunluğu (SpO2), vücut pozisyonu ve solunum aktivitesi gibi vital sinyalleri izler ve kaydederler. İlerleyen ve v gün geçtikçe küçülen teknolojinin ofislerimize, evlerimize hatta cebimize kadar taşıdığı ve teknolojide yeni bir trend olan Nesnelerin İnterneti'nin (Internet of Things) (IoT), e-sağlık alanında da önemli bir rol sahibi olacağı görülmektedir. Bu çalışmada uyku problemi yaşayan hastaların bir uyku teknisyenine ihtiyaç duymadan evde uyku testi yapılabilmelerini ve hastanın vital sinyallerinin anlık olarak izlenebilmesini amaçlayan; IoT tabanlı, batarya ile beslenen, giyilebilir ve kompakt bir test cihazı tasarlanmıştır. Hesaplama gücünü ve kablosuz haberleşme yeteneğini Espressif ESP32 SoC'den alan sistem saniyede 200 kez örneklenmiş EEG, EKG, 3 eksenli ataletsel ölçüm birimi, solunum eforu, nazal basınç sensörü sinyallerini toplayabilen; Pulse Oksimetre yardımıyla SpO2 hesabı yapabilen ve toplanan tüm verileri kablosuz ağ üzerinden gönderebilen sistem, FreeRTOS gerçek zamanlı işletim sistemi ile geliştirilmiş bir gömülü yazılıma sahiptir. Geliştirilen PSG cihazı, American Academy of Sleep Medicine Guidelines'a göre Tip II geniş kapsamlı taşınabilir test cihazıdır. Topladığı ve işlediği yaşamsal sinyaller ile elde ettiği SCOPER (Sleep, Cardiovascular, Oximetry, Position, Effort, and Respiratory) skoru S2 C1 O1 P2 E2 R2 dir. Hasta üzerinden toplanan tüm veriler 2.4GHz Wi-Fi ağı üzerinden TCP/IP protokolü aracılığı ile bir hedefe iletilmektedir. Toplanan veriyi izlemek ve kaydetmek amacı ile bir Python uygulaması geliştirilmiştir. Ağ izleme uygulamaları ile yapılan testlerde paket kaybı olmadan saniyede 200 paket iletildiği görülmüştür.
Derin öğrenme modelleri kullanılarak beyin tümörlerinin sınıflandırılması
Beyin tümörleri insan sağlığını önemli derecede etkileyebilmektedir. Bu tümörlerin yanlış teşhisi durumunda, müdahale için alınacak olan kararlar ve bireyin sağlık durumu verimli şekilde belirlenememektedir. Manyetik rezonans görüntülerinin bir hekim tarafından incelenmesi, beyin tümörlerinin belirlenmesinde en yaygın kullanılan yöntemdir. Beyin tümörlerinin çeşitliliğinden ve hekimlerin incelemesi gereken birçok görüntü olduğundan ötürü, bu yöntem hem insan hatalarına yatkındır hem de fazla zaman harcanmasına neden olmaktadır. Bu çalışmada, en yaygın görülen üç beyin tümörü çeşidi olan; Gliom, Meninjiyom ve Hipofiz bezi tümörlerinin derin öğrenme modelleri kullanılarak sınıflandırılması üzerine çalışılmıştır. Çalışmada doğruluk oranının yüksek olmasına önem verilirken, modellerin eğitimi için harcanan zaman da incelenmiştir. Bu sınıflandırma çalışması ile hekimlere yardımcı olabilecek bir sistem yaratmak amaçlanmıştır. Doğruluk oranı %90'a varan bir sistem oluşturulmuştur.
Ağrı hissinin EEG sinyalleri kullanılarak objektif tahmini ve derin öğrenme modelleri ile derecelendirilmesi
Ağrı, haz verici olmayan kompleks ve çok boyutlu olmak üzere kişilerin tecrübe ettiği his olarak tanımlanır. Ağrının objektif olarak sınıflandırılması, hastanelerde mönitörize olmuş hastalar için, kendini ifade edemeyen bireyler için ve ameliyat sonrası ya da esnasında anesteziye maruz kalmış kişiler için büyük önem taşımaktadır. Ayrıca ağrının subjektif olarak derecelendirilmesi kişiden kişiye yanıltıcı bir cevaba sebep olabilmektedir ve kişinin yanlış tedavi protkolüne yönlendirilmesi ile sonuçlanabilmektedir. Ağrının yapay zeka modelleri ile derecelendirilmesi sayesinde doğru tedaviye yönelim ve kendini ifade edemeyen bireylerin ağrı şiddetlerini derecelendirebilmesi hakkında bilgiye ulaşmak mümkün olabilecektir. Yapılan tez çalışmasında, ağrı uyarını verilerek bireylerden alınan EEG verileri bir boyutlu evrişimsel sinir ağı modeli (1 Dimensional Convolutional Neural Networks, 1D CNN) oluşturularak yüksek ve düşük ağrı olarak sınıflandırılmıştır. Modelde kullanılacak öznitelik seçimi için alınan EEG verileri öncesinde gürültülerden temizlenmiştir. Sonraki aşamada temizlenen verilere T-test uygulanarak fark oluşan bölümler belirlenmiştir. Belirlenen bölümlerden zaman-frekans cevabında öznitelikler çıkarılarak hazırlanan modelde kullanılmıştır. Tasarlanan model karşılaştırılma amaçlı derin öğrenme modellerinden olan özyinemeli sinir ağları (Reccurrent Neural Network, RNN) modeli ile karşılaştırılmıştır. Tez çalışmasının sonucunda alınan bilgiler dahilinde tasarlanan 1 boyutlu evrişimsel sinir ağları modelinin ortalama %92 oranında doğru sınıflandırma yaptığı gözlemlenmiştir. Elde edilen bulgular dahilinde ağrı hissinin objektif derecelendirilmesi için tasarlanan modelin iyi bir belirteç olabileciğini göstermektedir.
EEG sinyalleri ve derin öğrenme modelleri kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Dikkat eksikliği hiperaktivite bozukluğu (DEHB), çocukluk çağında başlayan, yaygın, komorbid bir nörogelişimsel bozukluktur. Teşhis, karar destek sistemi olmadan, profesyoneller tarafından davranış derecelendirme ölçekleri kullanılarak konulmaktadır. Doğru teşhis ve tedavideki gecikmeler, bu hastalık ile birlikte ortaya çıkan diğer psikiyatrik durumların kötüleşmesine ve sonuç olarak sağlık hizmetlerindeki kullanımın artmasına bağlı maliyete neden olur. Bu nedenle, DEHB tanısında kullanılabilecek potansiyel bir karar destek sistemine ihtiyaç vardır. Bu tez çalışmasında DEHB tanısı bulunan ve sağlıklı çocuklara ait EEG sinyallerinden frekans-zaman yapıları ile derin öğrenme yöntemlerinden biri olan evrişimsel sinir ağları (ESA) kullanılarak DEHB teşhisi için yüksek doğrulukla çalışan farklı tahmin modellerinin incelenmesi ile sübjektif testlere bağımlılığı azaltacak, tanı için hızlı ve başarılı bir karar destek algoritması önermek ve açıklanabilir yapay zeka (YZ) yöntemleri ile zaman-frekans alanındaki gizli bilgilerin DEHB tanısında nasıl bir etkiye sahip olduğunu keşfetmek amaçlanmaktadır. Bu amaçla, veriler bir ön işlemeden geçirilerek gürültülerinden arındırılmış ve zaman-frekans bilgisi sağlayan spektrogram görüntüleri oluşturulmuştur. Tez kapsamında ESA mimarileri AlexNet, GoogleNet, ResNet-50, ve SqueezeNet üzerinde transfer öğrenme çalışılmıştır. İlk aşamada ESA mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. En başarılı performans %97.78 ile AlexNet mimarisi ile elde edilmiştir. Kanal ve frekans bantlarına ayrılan sinyaller ile beyin bölgelerinin ve frekansların tanıda ayırt ediciliği incelenmiştir. Alfa frekansı ve parietal bölge kanalları tek başına DEHB tahmininde en başarılı bulunmuştur. Gradyan ağırlıklı sınıf aktivasyon haritalama (Grad-CAM) ile görselleştirilerek açıklanabilir bir model elde edilmiştir. Daha sonra aynı ESA mimarileri ile sadece öznitelikler elde edilmiş ve farklı makine öğrenimi algoritmalarıyla performans analizleri gerçekleştirilmiştir. Manuel öznitelikler elde edilip bir önceki aşama ile karşılaştırılmıştır. Sınıflandırma algoritması olarak Karar Ağaçları, Destek Vektör Makineleri (DVM), k-En Yakın Komşuluk (k-NN) ve Ensemble yöntemi kullanılmıştır. En başarılı performans AlexNet mimarisinden elde edilen özniteliklerin DVM algoritması ile sınıflandırılması sonucu elde edilmiştir (%98.33). Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen yöntemin DEHB tanısında iyi bir karar destek sistemi olarak kullanılabileceğini göstermektedir.
Elektrokardiyografi sinyallerinden aritmilerin yapay zeka destekli sınıflandırılması
Elektrokardiyografi (EKG) sinyallerinde kalbin belirli bir düzende ve düzenli aralıklarla atması sonucu oluşan normal sinüs ritimi dışında gözlenen ritimler aritmi olarak adlandırılır ve atımın bozuklukları normal olmayan bir durumun hatta hayati risklerin göstergesi olabilir. Bu nedenle aritmilerin bulunması ve hangi tür aritmi olduğunun belirlenmesi önemlidir. EKG sinyallerinden elde edilen öznitelikler ile eğitilen makine öğrenmesi modelleri ile aritmilerin sınıflandırılması uzun yıllardır araştırmacılar tarafından ilgi çeken konulardan olmuştur. Bununla birlikte uzun süren ön sinyal işleme adımlarının ve öznitelik çıkarma adımlarının olmadığı derin öğrenme tekniklerinin kullanılması da güncel konular arasındadır. Bu yöntemlerin performanslarının karşılaştırılması ve kullanılan model parametrelerinin belirlenmesi aşamaları önem taşımaktadır. Bu tez çalışmasında, EKG sinyallerinin analizi ile iki farklı ritim sınıflandırma yöntemi geliştirilerek bu yöntemlerin performansı değerlendirilmiştir. İlk yöntem kalp hızı değişkenliği analizi ile elde edilen özniteliklerle eğitilen makine öğrenmesi modellerinin kullanıldığı sınıflandırma yöntemidir. Sinyal ön işleme ve öznitelik çıkarımı olmadan EKG sinyallerinin spektogram ve skalogram görüntülerinin evrişimsel sinir ağlarına girdi olarak verilerek sınıflandırılması ikinci yöntemdir. Bu iki sınıflandırma yönteminin performans sonuçları karşılaştırılmıştır. Çalışmada MIT-BIH Aritmi Veri Tabanı kullanılmıştır. Çalışmada normal sinüs ritmi, atriyal fibrilasyon, sol dal bloğu, sağ dal bloğu, ventriküler begemini, pacemaker ritim sınıflandırılan ritimlerdir. Kalp hızı değişkenliği analizi tabanlı özniteliklerle gerçekleştirilen sınıflandırmada öncelikle sinyalde gürültü giderme işlemi uygulanmıştır. Filtrelenmiş sinyaller üzerinden R dalgası tepe noktalarının bulunması gerçekleştirilmiştir. R dalgası tepe noktaları ile kalp hızı değişkenliği analizi yapılmış ve öznitelikler çıkarılmıştır. Sonrasında ise makine öğrenmesi modelleri bu öznitelikler ile eğitilmiş ve model performansları değerlendirilmiştir. Tez kapsamında Karar Ağacı, Destek Vektör Makinesi, K-En Yakın Komşu, Topluluk Öğrenme modelleri çalışılmıştır. Derin öğrenme, evrişimsel sinir ağları tabanlı sınıflandırmada ise EKG sinyallerinde gürültü giderme işlemi yapılarak spektogram ve skalogram görüntüleri elde edilmiştir. Bu görüntüler farklı sinir ağlarına girdi olarak verilmiştir. Tez kapsamında GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılan evrişimsel sinir ağlarıdır. Farklı sinir ağlarının performansının skalogram ve spektogram görüntüleri ile eğitildiğinde nasıl performans gösterdiği belirlenmiştir. Bu karşılaştırmaya ek olarak öznitelik çıkartma ve makine öğrenmesi modelleri ile gerçekleştirilen ritim sınıflandırma performansının derin öğrenme modelleri kullanılarak gerçekleştirilen sınıflandırma performansı karşılaştırılmıştır. Kalp hızı değişkenliği analizinde iki dakikalık sinyal uzunluğu ile gerçekleştirilen aritmi sınıflandırmasında en yüksek doğruluk değeri %87,91 ile topluluk öğrenme modeli ile elde edilmiştir. Beş dakikalık sinyal uzunluğunda ise destek vektör makinesi ile %90,48 doğruluğa ulaşılmıştır. Spektogram çıktıları kullanılarak gerçekleştirilen sınıflandırmada maksimum doğruluk AlexNet ile %91,90'dır. Skalogram çıktıları ile gerçekleştirilen sınıflandırmada ise maksimum doğruluk GoogleNet modeli ile %92,85 olarak elde edilmiştir. En yüksek sınıflandırma performansı skalogram görüntüleri ve evrişimsel sinir ağları kullanılarak elde edilmiştir. Gözlemlenen bulgular, değerlendirilen bu modellerin EKG sinyallerinde aritmilerin sınıflandırılmasında yüksek performans verdiğini göstermektedir.
Tiroidin cerrahi hastalıklarının ses özellikleri üzerine etkisinin incelenmesi
Tiroidektomi geçiren hastalarda postoperatif ses kısıklığı sık karşılaşılan bir adli tıbbi sorundur ve önemli bir medikolegal endişe kaynağıdır. Bu tür davalarda sorumluluğun belirlenmesi ve cerrahi sonuçların değerlendirilmesi açısından preoperatif akustik analiz kritik bir rol oynamakta, böylece klinik uygulamaların iyileştirilmesine katkı sağlamaktadır. Bu çalışmada tiroidektomi planlanan 126 hasta öncelikle Kulak Burun Boğaz (KBB) kliniğinde videolaringostroboskopi ile değerlendirildi. Ardından bu hastalardan kaydedilen /a/ ve /i/ ünlü sesleri akustik analizlere tabi tutuldu. Elde edilen analiz sonuçları demografik ve klinik özelliklerle istatistiksel olarak ilişkilendirilerek değerlendirildi. Takiben, sağlıklı ve hasta seslerine ait akustik öznitelikler Cubic Destek Vektör Makineleri (Support Vector Machines, SVM), Quadratic SVM, Radyal Baz Fonksiyon (Radial Basis Function, RBF) SVM, GentleBoost ve LogitBoost algoritmaları kullanılarak sınıflandırıldı, modellerin performansları doğruluk, kesinlik, duyarlılık, özgüllük, Alıcı İşletim Karakteristiği (Receiver Operating Characteristic, ROC) Eğri Altında Kalan Alan (Area Under the Curve, AUC) ve F1 skoru değerleriyle karşılaştırıldı. Ayrıca, sınıflandırma başarısına en çok katkı sağlayan özniteliklerin belirlenmesi amacıyla Shapley Katkı Değerleriyle Açıklamalar (SHapley Additive exPlanations, SHAP) analizi gerçekleştirildi. Pre-tiroidektomi olgularında jitter, shimmer ve spektral düzlük gibi özniteliklerde istatistiksel olarak anlamlı artış gözlenirken; Harmonik Gürültü Oranı (Harmonic to Noise Ratio, HNR), spektral akı, tepe, güç ve enerji gibi özniteliklerde anlamlı düşüş tespit edilmiştir (p < 0,05). Nodül boyutu ve anatomik lokalizasyonunun akustik öznitelikler üzerindeki etkisi istatistiksel olarak anlamlı sonuçlar (p < 0,05) ve yüksek korelasyon değerleri ile gösterildi. Tüm Makine Öğrenimi (Machine Learning, ML) modelleri yüksek sınıflandırma performansı göstermiş olsa da, %100 AUC değeri ve dengeli performans metrikleri ile Cubic SVM en başarılı model olarak öne çıktı. SHAP analizlerine göre, midpower akustik özniteliği tüm modellerde en ayırt edici öznitelik olarak öne çıktı. Pre-tiroidektomi olgularına yönelik gerçekleştirilen bu çalışma, akustik analiz ile ML yöntemlerinin birleştirmesi ve tiroid nodüllerinin anatomik lokalizasyonu ile boyutlarıyla akustik öznitelikler arasındaki ilişkiyi istatistiksel olarak ortaya koyması açısından literatürde öncü bir nitelik taşımaktadır. Elde edilen bulgular, ses bozukluklarının preoperatif dönemde nesnel olarak değerlendirilebileceğini ortaya koymaktadır. Hasta seslerinin sağlıklı seslerden neredeyse tamamen ayırt edilebilmesi, postoperatif dönemde ses kalitesinde bozulma iddialarına yönelik medikolegal sorumluluğun belirlenmesinde kritik bir rol oynayabilir. Ayrıca, nodül lokalizasyonu ve boyutuna bağlı olarak akustik özniteliklerdeki değişikliklerin ortaya konması, tiroid hastalarında ses bozukluklarının takibinde büyük önem arz edebilir. Sağlıklı ve patolojik sesleri yüksek doğrulukla ayırt edebilen ML yöntemleri, klinik karar destek sistemlerine entegrasyon açısından güçlü bir potansiyele sahiptir.
Difüzyon model tabanlı asimetrik dikkat mekanizmaları kullanılarak kardiyak mr görüntü verisi arttırımı
Kardiyovasküler hastalıklar, dünya genelinde en önemli ölüm nedenlerinden birini oluşturmakta ve her yıl yaklaşık 19,8 milyon insanın hayatını kaybetmesine yol açmaktadır. Kardiyak manyetik rezonans (CMR) görüntüleme, kalp hastalıklarının tanısında altın standart olarak kabul edilmekle birlikte, derin öğrenme tabanlı tanı sistemlerinin geliştirilmesi için gerekli büyük ölçekli etiketli veri setlerinin oluşturulması, uzman etiketleme maliyetleri, etik kısıtlamalar ve nadir patolojilerin yetersiz temsili nedeniyle ciddi zorluklarla karşı karşıyadır. Bu tez, kardiyak MR görüntülemede veri yetersizliği problemini çözmek amacıyla asimetrik dikkat mekanizmalı difüzyon modeli tabanlı yeni bir bireşimsel görüntü üretim yöntemi önermektedir. Önerilen yaklaşım, Denoising Diffusion Probabilistic Model (DDPM) çerçevesini temel almakta ve UNet mimarisinde kodlayıcının son iki katmanı ile kod çözücünün ilk iki katmanına stratejik olarak yerleştirilmiş çok başlıklı öz-dikkat mekanizmalarını içermektedir. Bu asimetrik dikkat yerleşimi, hesaplama verimliliği ile anatomik yapı korunumu arasında optimal bir denge sağlamaktadır. Model, 53 sağlıklı gönüllüden elde edilen OCMR (Open Cardiac MR) veri kümesi üzerinde eğitilmiş ve 128×128 piksel çözünürlüğünde bSSFP sekans görüntüleri ile çalışılmıştır. Kapsamlı deneysel değerlendirmeler, önerilen modelin mevcut yöntemlere kıyasla üstün performans sergilediğini ortaya koymuştur. Model, 77,78 FID skoru ile VAE (325,26), WGAN-GP (235,51) ve StyleGAN2-ADA (117,70) modellerine göre anlamlı ölçüde daha iyi sonuçlar elde etmiştir. Yapısal benzerlik metrikleri açısından 0,720 SSIM ve 0,925 MS-SSIM değerleri, üretilen görüntülerin yüksek anatomik tutarlılığını doğrulamaktadır. Ablasyon çalışmaları, asimetrik dikkat yerleşiminin tekdüze dağılıma göre FID skorunda %8,8 iyileşme sağladığını göstermiştir. Üç deneyimli radyolog tarafından gerçekleştirilen klinik Turing testinde %60 doğruluk oranı elde edilmesi, bireşimsel görüntülerin gerçek görüntülerden ayırt edilmesinin zorluğunu ortaya koymuştur. Ayrıca, sol ventrikül, sağ ventrikül ve miyokard yapılarının piksel oranları ile şekil özellikleri açısından gerçek ve bireşimsel görüntüler arasında istatistiksel olarak anlamlı bir fark bulunmamıştır (p > 0,05). Bu tez, kardiyak MR görüntü sentezinde difüzyon modelleri için asimetrik dikkat mekanizması optimizasyonu konusunda özgün bir katkı sunmakta ve üretilen bireşimsel verilerin klinik uygulanabilirliğini kapsamlı bir değerlendirme çerçevesiyle ortaya koymaktadır. Sonuçlar, önerilen yaklaşımın veri artırma, gizlilik korumalı veri paylaşımı ve tıp eğitimi gibi alanlarda önemli potansiyel taşıdığını göstermektedir.
Vibrotaktil eldiven: Tenilikçi bir duyusal rehabilitasyon cihazı
Bu tez çalışmasında, felç veya üst uzuv travması sonucunda dokunma duyusunu kaybetmiş bireylerin duyusal işlevlerini yeniden kazanmalarına yardımcı olmak amacıyla yenilikçi ve giyilebilir bir rehabilitasyon sistemi (Vibrotaktil Eldiven) geliştirilmiştir. Sistem, nörosensöriyel geri bildirimi yeniden kazandırmak üzere tasarlanmış olup, titreşim tabanlı eşik altı uyarım yoluyla sinirsel plastisiteyi desteklemeyi hedeflemektedir. Cihaz, 0–1000 Hz frekans aralığında ayarlanabilir bant sınırlı beyaz gürültü titreşimleri üretir ve eldeki stratejik noktalara yerleştirilen stimülatörler aracılığıyla farklı tipteki mekanoreseptörleri —özellikle Pacinian ve Meissner cisimciklerini— uyarır. Bu uyarım yöntemi, stokastik rezonans prensibine dayanarak, düşük genlikli gürültü sinyalleriyle eşik altı duyusal potansiyelleri güçlendirir ve duyusal algı eşiğini düşürür. Böylece, merkezi sinir sisteminde yeniden düzenlenmiş duyusal bağlantıların oluşmasına katkı sağlayarak dokunsal farkındalığın artmasına olanak tanır. Sistemin donanım mimarisi; beş adet stimülatör kontrol birimi, mikrodenetleyici, güç yönetim birimi, veri depolama birimi ve veri aktarım biriminden oluşmaktadır. Bu çok bileşenli yapı düşük güç tüketimi, yüksek kararlılık ve taşınabilirlik gibi temel gereksinimleri karşılayacak biçimde optimize edilmiştir. Gömülü yazılım, Thonny Entegre Geliştirme Ortamı üzerinde MicroPython diliyle nesne tabanlı programlama prensiplerine uygun şekilde geliştirilmiş, böylece sistemin modülerliği, bakımı ve ilerideki genişletilebilirliği güvence altına alınmıştır. Gömülü yazılım mimarisi, Blueetooth Düşük Enerji hizmet yönetimi, veri işleme, terapi kontrolü ve kullanıcı etkileşimi gibi bileşenleri ayrı modüller hâlinde organize eder. Kablosuz haberleşme, Bluetooth Düşük Enerji arayüzü üzerinden sağlanmakta olup, harici olarak geliştirilen mobil uygulama aracılığıyla terapi parametrelerinin —frekans ve genlik— kişiye özel olarak ayarlanmasına imkân tanımaktadır. Bu sayede hasta, terapi yoğunluğunu kendine göre düzenleyebilmekte, klinisyen ise uygulamayı uzaktan izleyebilmektedir. Tam işlevsel bir prototip tasarlanmış, üretilmiş ve TOBB Ekonomi ve Teknoloji Üniversitesi laboratuvarlarında kapsamlı şekilde test edilmiştir. Donanım, yazılım ve mekanik bileşenlerin entegrasyonu başarıyla tamamlanmış; sistemin titreşim doğruluğu ve Blueetooth Düşük Enerji haberleşme güvenilirliği doğrulanmıştır. Cihaz, Hacettepe Üniversitesi Sağlık Bilimleri Fakültesi bünyesinde yürütülecek klinik denemelere hazır hale getirilmiş olup etik kurul onay süreci devam etmektedir. Sonuç olarak, Vibrotaktil Eldiven, üst uzuvlarda duyusal kayıp yaşayan bireyler için düşük maliyetli, taşınabilir ve bilimsel temellere dayanan yenilikçi bir rehabilitasyon çözümü sunmaktadır. Kontrollü vibrotaktil uyarım aracılığıyla nöroplastisiteyi destekleyen bu sistemin, duyusal geri kazanım sürecine ve işlevsel dokunsal geri bildirimin iyileştirilmesine klinik düzeyde anlamlı katkı sağlaması beklenmektedir.
Uyku apnesi türlerinin sınıflandırılması
Uyku apnesi, uyku sırasında solunumun en az 10 sn. süresince solunum sinyalinin maksimum genliğinin %20 seviyesinin altına inmesi durumudur. Uyku apnesinin ?santral uyku apnesi (central sleep apnea, CSA)?, ?obstrüktif uyku apnesi (obstructive sleep apnea, OSA)? ve ?miks uyku apnesi (mixed sleep apnea, MSA) adları altında üç çeşidi bulunmaktadır. Hastalığın tanısında kullanılan altın standart, gece boyunca yapılan polisomnografi kayıtlarının incelenmesidir.Bu çalışmada, uykuda gelişen apne türlerinin sınıflandırılması için solunum parametrelerinin yanısıra elektroensefalografi (EEG), elektrokardiyografi (EKG) ve fotopletismografi (PPG) sinyallerinin de kullanıldığı yeni yöntemler geliştirilmiştir. Çalışmanın ilk aşamasında, uzman hekim tarafından CSA ile OSA hastalığı tanısı konulmuş ve sağlıklı kişiler; EEG sinyallerinin, bağlılık işlevi (CF) ve ikili bağıl bilgi (MI) yöntemleri kullanarak analiz edilmesiyle bu üç gruba sınıflandırılmıştır. İkinci aşamada, EKG ve PPG sinyallerinden eş zamanlı elde edilen kalp atım hızı değişimleri (KAHD) çapraz güç spektral yoğunluluğu (CPSD) yöntemi ile analiz edilerek ?apne hastası? ve ?sağlıklı? olmak üzere iki gruba sınıflandırılmıştır. Üçüncü aşamada klasik solunum parametreleri, oro-nazal termistör ve karın-göğüs efor bandı sinyalleri enerji, varyans ve öz ilinti işlevi (Öİİ) yöntemleri kullanılarak hastalığın türü, çalışmanın birinci aşamasında olduğu gibi sınıflandırılmıştır. Bu çalışmanın tüm aşamalarında verilerin sınıflandırılması için yapay sinir ağları (YSA) yöntemi kullanılmıştır.Çalışma sonucunda uykuda gelişen apneyi çok düşük hata oranı ile sınıflandıran yeni yöntemler geliştirilmiştir. Böylece, hekime tanı koymada yardımcı olabilecek yeni karar destek sistemleri oluşturulmuştur.
Elektroensefelorafi ve elektrokardiyografi sinyalleri kullanılarak epilepsi nöbetlerinin yapay zeka ile tahmin edilmesi
Epilepsi ani gelişen nöbetlerle ortaya çıkan ve dünyada en yaygın görülen nörolojik hastalıkların başında gelmektedir. Epilepsi nöbetlerinin kontrol altına alınabilmesi için klinik olarak tercih edilen 2 yöntem; cerrahi işlemler ve farmakolojik yöntemlerdir. Fakat bu iki yöntem de epilepsi tedavisi için altın standart olarak kabul edilmemiştir. Bunun sebebi ise her hastaya uygulanabilirliklerinin ve başarı oranlarının düşük olmasıdır. Bu sebeple epilepsi nöbet tahmini algoritmalarının geliştirilebilmesi ve nöbet gerçekleşmeden belirli bir süre önce nöbetlerin tahmin edilebilmesi ile erken uyarı mekanizmalarının oluşturulması yaygın bir çalışma konusudur. Bu çalışmada erken epilepsi nöbet tahmini için Siena Scalp EEG veri tabanı kullanılmıştır. Çalışmaların tamamı MATLAB ile tamamlanmıştır. Tez çalışması kapsamında EEG ve EKG biyosinyal tabanlı makine öğrenmesi ve derin öğrenme algoritmaları geliştirilmiştir. Biyosinyallerin öncelikli olarak ön işleme basamakları tamamlanmış ve 30'ar saniyelik pencerelerle epoklanmışlardır. Makine öğrenmesi algoritmalarında EEG bazlı olarak 19 adet öznitelik ve EKG bazlı olarak ise 20 adet öznitelik ilgili biyosinyallerin zaman ve frekans bölgelerinden elde edilmiştir. En başarılı 5'er makine öğrenmesi modeli incelenmiş ve erken epilepsi nöbet tahmini ortalama ve medyan süreleri dakika cinsinden rapor edilmiştir. Epileptik nöbetlerin EEG verisi ile elde edilen makine öğrenmesi modelleri ile en yüksek başarı, %90,3 doğruluk oranı ile Efficient Linear SVM modeli tarafından elde edilmiştir. Bu model aynı zamanda %87 duyarlılık, %92 özgüllük ile epileptik nöbet öncesi dönemleri yüksek isabet oranıyla tespit etmiştir. Nöbetten ortalama 18,5 dakika önce uyarı verebilmesiyle, erken müdahale açısından da oldukça başarılı bir performans göstermiştir. EKG öznitelikleri ile gerçekleştirilen sınıflandırma deneylerinde ise en yüksek performans Lineer SVM modeli ile elde edilmiştir (Doğruluk %85,2, Duyarlılık %81, Özgüllük %88). Ayrıca bu model, nöbetten ortalama 14,8 dakika önce epileptik dönemi tahmin edebilmiştir. Medyan uyarı süresi ise 13 dakika olarak hesaplanmıştır. Derin öğrenme kısmında ise evrişimsel sinir ağları tercih edilmiştir. Bu kapsamda literatürde yaygın kullanılan mimariler ile epileptik nöbet tahmini algoritmaları tamamlanmıştır. Sinyallere ait epok bazlı spektogram görüntüleri 2 boyutlu mimarilere entegre edilmiştir. Bu kapsamda kullanılan mimariler; Resnet-18, MobileNetV2 ve EfficientNet-b0 mimarileridir. Buna ek olarak 1 boyutlu direkt zaman sinyali kapsamında Resnet-1D, MobileNet-1D ve InceptionTime mimarileri kullanılmıştır. Sonuçlar incelendiğinde ise EEG sinyalleriyle eğitilen derin öğrenme modelleri EKG modellerinden daha yüksek başarılı sonuçlar verdiğine ulaşılmıştır. En yüksek doğruluk oranı, %95,4 ile ResNet-18 (2D) mimarisi tarafından EEG spektogramları ile elde edilmiştir. 1 boyutlu zaman serisi mimarileri arasında ise en yüksek doğruluk, %93,8 ile ResNet-1D ile tekrar EEG ile elde edilmiştir. Erken tahmin süreleri incelendiğinde, 2 boyutlu modellerin 10,5 – 9,0 dakika, 1 boyutlu modellerin ise 9,2–8,6 dakika arasında değişen medyan tahmin süresi sağladığı görülmektedir. Bu süreler, epileptik nöbetten önce müdahale şansı tanıyabilecek düzeyde yeterlidir. Derin öğrenme algoritmalarının erken epilepsi tahmin sürelerinin makine öğrenmesine göre daha kısa olmasının sebebinin daha temkinli ve doğru tahmin yapma amacıyla meydana geldiği öngörülmüştür.
Kalp-akciğer makinelerinde peristaltik ve santrifüj pompa kontrolü ile basınç regülasyonu
Kalp-Akciğer Makinesi (KAM), Kardiyopulmoner Baypas (KPB) sırasında kullanılan ve geçici olarak kalbin ve akciğerin işlevini üstlenen bir cihazdır. KPB sırasında, bu cihaz kanı vücut dışına alarak oksijenlendirir, karbondioksiti uzaklaştırır ve dolaşıma geri pompalar. Vücuttan alınan kanı oksijenlendirerek dolaşıma geri verirken aynı zamanda kan basıncı, akış hızı, kan sıcaklığı ve oksijen doygunluğu gibi birçok fizyolojik parametrenin sürekli takibini sağlar. KPB sırasında arteriyel kan basıncının kontrolü, hasta morbidite ve mortalitesini doğrudan etkileyen kritik bir faktördür. Yüksek arteriyel basınç, özellikle serebral kanama ve nörolojik komplikasyon riskini artırabilir. Bu tez kapsamında, Kalp-Akciğer Makinelerinde ameliyat süresince hastanın kan basıncını izleyen ve regüle eden bir algoritma geliştirilmiştir. Algoritma, basınç regülasyon seviyesinin aşılması durumunda basıncı hedef değere düşürmeyi, regülasyon seviyesinin altına inilmesi durumunda ise pompa hızını regülasyon öncesindeki seviyeye ulaştırmayı amaçlamaktadır. Bu doğrultuda, peristaltik (roller) ve santrifüj pompalarının hızları kontrol edilmektedir. Çalışmanın ilk aşamasında, muadil Kalp-Akciğer Makinelerinin çalışma prensipleri incelenmiş ve sağlık personeliyle yapılan görüşmeler sonucunda sistem gereksinimleri belirlenmiştir. Bu gereksinim analizine dayanarak, basınç verilerinin stabilizasyonu ve kontrol algoritmasının kararlılığı için filtreleme yöntemleri uygulanmıştır. Filtrelenen basınç verileri, kontrol algoritmasına girdi olarak verilmiştir. Kontrol algoritmasının çıkışında elde edilen RPM (Revolution Per Minute) değeri ve filtrelenen basınç verileri için yakınlık algoritması geliştirilerek, kontrol sürecinde meydana gelebilecek kararsızlıkların ve basınç dalgalanmalarının önüne geçilmiştir. Çalışmanın bir diğer aşamasında, sistemin deneysel analizleri gerçekleştirilerek elde edilen veriler doğrultusunda, basınç regülasyonunda sistem davranışını yansıtan temel bir model oluşturulmuştur. Hortum hatlarına uygulanan sabit klemp açıklık oranlarında elde edilen peristaltik pompa hızı ve basınç verilerine polinom uyumlandırılarak, RPM ve klemp açıklık oranları kullanıldığında basınç değerini hesaplayan bir fonksiyon geliştirilmiştir. Bu fonksiyon kullanılarak oluşturulan model, açık çevrim ve PI kontrolcüyle birlikte kapalı çevrim olarak test edilmiştir. Çalışmanın bulguları, geliştirilen kontrol algoritmasının her iki pompa tipi için de etkili bir şekilde çalışarak basınç değerini kontrol altında tuttuğunu ve santrifüj pompaların basınç regülasyonunda daha kararlı bir sonuç verdiğini göstermiştir. Peristaltik pompaların mekanik yapısının basınç verisi ve kontrol algoritması üzerindeki etkileri de ayrıca değerlendirilmiştir.
Ağrı hissinin EEG sinyalleri kullanılarak objektif tahmini ve derin öğrenme modelleri ile derecelendirilmesi
Ağrı, haz verici olmayan kompleks ve çok boyutlu olmak üzere kişilerin tecrübe ettiği his olarak tanımlanır. Ağrının objektif olarak sınıflandırılması, hastanelerde mönitörize olmuş hastalar için, kendini ifade edemeyen bireyler için ve ameliyat sonrası ya da esnasında anesteziye maruz kalmış kişiler için büyük önem taşımaktadır. Ayrıca ağrının subjektif olarak derecelendirilmesi kişiden kişiye yanıltıcı bir cevaba sebep olabilmektedir ve kişinin yanlış tedavi protkolüne yönlendirilmesi ile sonuçlanabilmektedir. Ağrının yapay zeka modelleri ile derecelendirilmesi sayesinde doğru tedaviye yönelim ve kendini ifade edemeyen bireylerin ağrı şiddetlerini derecelendirebilmesi hakkında bilgiye ulaşmak mümkün olabilecektir. Yapılan tez çalışmasında, ağrı uyarını verilerek bireylerden alınan EEG verileri bir boyutlu evrişimsel sinir ağı modeli (1 Dimensional Convolutional Neural Networks, 1D CNN) oluşturularak yüksek ve düşük ağrı olarak sınıflandırılmıştır. Modelde kullanılacak öznitelik seçimi için alınan EEG verileri öncesinde gürültülerden temizlenmiştir. Sonraki aşamada temizlenen verilere T-test uygulanarak fark oluşan bölümler belirlenmiştir. Belirlenen bölümlerden zaman-frekans cevabında öznitelikler çıkarılarak hazırlanan modelde kullanılmıştır. Tasarlanan model karşılaştırılma amaçlı derin öğrenme modellerinden olan özyinemeli sinir ağları (Reccurrent Neural Network, RNN) modeli ile karşılaştırılmıştır. Tez çalışmasının sonucunda alınan bilgiler dahilinde tasarlanan 1 boyutlu evrişimsel sinir ağları modelinin ortalama %92 oranında doğru sınıflandırma yaptığı gözlemlenmiştir. Elde edilen bulgular dahilinde ağrı hissinin objektif derecelendirilmesi için tasarlanan modelin iyi bir belirteç olabileciğini göstermektedir.
Meme kanserinin geliştirilmiş makine öğrenme yöntemleri ile tespiti
Meme kanseri dünya genelinde kadınlar arasında en sık görülen kanser türüdür. Meme kanseri erken evrede teşhis edilirse, tedavi edilmesi mümkündür. Bu çalışma meme kanserinin tanısı için geliştirilmiş makine öğrenme algoritmalarına dayalı yeni bir sınıflandırma sistemi önermektedir. Geliştirilmiş makine öğrenme algoritmaları oluşturmak amacıyla öznitelik seçim ve hiperparametre optimizasyon yöntemleri kullanılmıştır. Makine öğrenme algoritması olarak sırasıyla Karar Ağacı, Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu ve Topluluk Öğrenme yöntemleri kullanılmıştır. Tüm deneyler Wisconsin Meme Kanseri Veri (WBCD) seti ve Mamografi Meme Kanseri Veri Seti (MBCD) olmak üzere iki farklı meme kanseri veri seti üzerinde test edilmiştir. Veri setlerinin en ayırt edici özniteliklerini belirlemek amacıyla sırasıyla Relief, En Küçük Mutlak Daralma ve Seçme Operatörü ((Least Absolute Deviation and Least Absolute Shrinkage and Selection Operator-LASSO) ve Ardışık İleri Yönde Seçim yöntemleri kullanılmıştır. Makine öğrenme algoritmalarındaki en uygun hiperparametreleri bulmak için Bayes optimizasyon (BO) yöntemi kullanılmıştır. Çalışma kapsamında en iyi sınıflandırma oranını elde etmek amacıyla farklı deneyler yapılmıştır. Önerilen öznitelik seçim-Bayes optimizasyon hibrit yöntemleri çalışmada kullanılan makine öğrenme algoritmalarının sınıflandırma oranlarını artırmıştır. Yapılan deneyler sonucunda, LASSO-BO-DVM yöntemi her iki meme kanseri veri setinde de en yüksek doğruluk, kesinlik, duyarlılık ve F1-skorunu göstermiştir (WBCD için %98,95, %97,17, %100 ve %98,56; MBCD için %97,95, %98,28, %98,28 ve %98,28).
Tiroid nodüllerinin genetik algoritma ile eğitilen anfıs yöntemi kullanılarak iyi huylu ve kötü huylu olarak ayrıştırılması ile yeni bir bilgisayar destekli tanı temelli risk sınıflandırma sistemi önerilmesi
Literatürde kullanılan tiroid nodülü risk sınıflandırma rehberleri, nodüllerin bazı iyi bilinen sonografik özelliklerine göre, hekimlerin klinik tecrübelerine dayanarak oluşturulmuşlardır. Bu özelliklere göre nodüllere tanı konması subjektif bir yöntem olup hekimin tecrübesine bağlıdır. Bu çalışmada, yapay zeka yöntemleri kullanılarak, nodüllerin ayırıcı tanısında çok çeşitli ultrason bulgularının ilişkileri incelenmiş, bu durumun üstesinden gelinmesi amaçlanmıştır. Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi'nin (ANFIS) Genetik Algoritma (GA) ile eğitimine dayalı yenilikçi bir yöntem, kötü huylu tiroid nodüllerini iyi huylu olanlardan ayırt etmek için kullanılmıştır. Önerilen yöntemden elde edilen sonuçlar yaygın olarak kullanılan ANFIS'in türev tabanlı optimize edilen algoritmaları ve Derin Sinir Ağı (DNN) yöntemi ile karşılaştırılmış, önerilen yöntemin tiroid nodüllerini sınıflandırmada daha başarılı olduğu gösterilmiştir. Ayrıca tiroid nodüllerinin sınıflandırılması için literatürde olmayan bilgisayar destekli tanı (BDT) temelli yeni bir risk sınıflandırma sistemi önerilmiştir. Anahtar Kelimeler: Tiroid, Tiroid nodülü, Sınıflandırma, ANFIS, Derin sinir ağı, Rehber
Tiroid nodüllerinin genetik algoritma ile eğitilen anfıs yöntemi kullanılarak iyi huylu ve kötü huylu olarak ayrıştırılması ile yeni bir bilgisayar destekli tanı temelli risk sınıflandırma sistemi önerilmesi
Literatürde kullanılan tiroid nodülü risk sınıflandırma rehberleri, nodüllerin bazı iyi bilinen sonografik özelliklerine göre, hekimlerin klinik tecrübelerine dayanarak oluşturulmuşlardır. Bu özelliklere göre nodüllere tanı konması subjektif bir yöntem olup hekimin tecrübesine bağlıdır. Bu çalışmada, yapay zeka yöntemleri kullanılarak, nodüllerin ayırıcı tanısında çok çeşitli ultrason bulgularının ilişkileri incelenmiş, bu durumun üstesinden gelinmesi amaçlanmıştır. Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi'nin (ANFIS) Genetik Algoritma (GA) ile eğitimine dayalı yenilikçi bir yöntem, kötü huylu tiroid nodüllerini iyi huylu olanlardan ayırt etmek için kullanılmıştır. Önerilen yöntemden elde edilen sonuçlar yaygın olarak kullanılan ANFIS'in türev tabanlı optimize edilen algoritmaları ve Derin Sinir Ağı (DNN) yöntemi ile karşılaştırılmış, önerilen yöntemin tiroid nodüllerini sınıflandırmada daha başarılı olduğu gösterilmiştir. Ayrıca tiroid nodüllerinin sınıflandırılması için literatürde olmayan bilgisayar destekli tanı (BDT) temelli yeni bir risk sınıflandırma sistemi önerilmiştir. Anahtar Kelimeler: Tiroid, Tiroid nodülü, Sınıflandırma, ANFIS, Derin sinir ağı, Rehber
Meme kanserinin geliştirilmiş makine öğrenme yöntemleri ile tespiti
Meme kanseri dünya genelinde kadınlar arasında en sık görülen kanser türüdür. Meme kanseri erken evrede teşhis edilirse, tedavi edilmesi mümkündür. Bu çalışma meme kanserinin tanısı için geliştirilmiş makine öğrenme algoritmalarına dayalı yeni bir sınıflandırma sistemi önermektedir. Geliştirilmiş makine öğrenme algoritmaları oluşturmak amacıyla öznitelik seçim ve hiperparametre optimizasyon yöntemleri kullanılmıştır. Makine öğrenme algoritması olarak sırasıyla Karar Ağacı, Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu ve Topluluk Öğrenme yöntemleri kullanılmıştır. Tüm deneyler Wisconsin Meme Kanseri Veri (WBCD) seti ve Mamografi Meme Kanseri Veri Seti (MBCD) olmak üzere iki farklı meme kanseri veri seti üzerinde test edilmiştir. Veri setlerinin en ayırt edici özniteliklerini belirlemek amacıyla sırasıyla Relief, En Küçük Mutlak Daralma ve Seçme Operatörü ((Least Absolute Deviation and Least Absolute Shrinkage and Selection Operator-LASSO) ve Ardışık İleri Yönde Seçim yöntemleri kullanılmıştır. Makine öğrenme algoritmalarındaki en uygun hiperparametreleri bulmak için Bayes optimizasyon (BO) yöntemi kullanılmıştır. Çalışma kapsamında en iyi sınıflandırma oranını elde etmek amacıyla farklı deneyler yapılmıştır. Önerilen öznitelik seçim-Bayes optimizasyon hibrit yöntemleri çalışmada kullanılan makine öğrenme algoritmalarının sınıflandırma oranlarını artırmıştır. Yapılan deneyler sonucunda, LASSO-BO-DVM yöntemi her iki meme kanseri veri setinde de en yüksek doğruluk, kesinlik, duyarlılık ve F1-skorunu göstermiştir (WBCD için %98,95, %97,17, %100 ve %98,56; MBCD için %97,95, %98,28, %98,28 ve %98,28).
Meme kanserinin geliştirilmiş makine öğrenme yöntemleri ile tespiti
Meme kanseri dünya genelinde kadınlar arasında en sık görülen kanser türüdür. Meme kanseri erken evrede teşhis edilirse, tedavi edilmesi mümkündür. Bu çalışma meme kanserinin tanısı için geliştirilmiş makine öğrenme algoritmalarına dayalı yeni bir sınıflandırma sistemi önermektedir. Geliştirilmiş makine öğrenme algoritmaları oluşturmak amacıyla öznitelik seçim ve hiperparametre optimizasyon yöntemleri kullanılmıştır. Makine öğrenme algoritması olarak sırasıyla Karar Ağacı, Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu ve Topluluk Öğrenme yöntemleri kullanılmıştır. Tüm deneyler Wisconsin Meme Kanseri Veri (WBCD) seti ve Mamografi Meme Kanseri Veri Seti (MBCD) olmak üzere iki farklı meme kanseri veri seti üzerinde test edilmiştir. Veri setlerinin en ayırt edici özniteliklerini belirlemek amacıyla sırasıyla Relief, En Küçük Mutlak Daralma ve Seçme Operatörü ((Least Absolute Deviation and Least Absolute Shrinkage and Selection Operator-LASSO) ve Ardışık İleri Yönde Seçim yöntemleri kullanılmıştır. Makine öğrenme algoritmalarındaki en uygun hiperparametreleri bulmak için Bayes optimizasyon (BO) yöntemi kullanılmıştır. Çalışma kapsamında en iyi sınıflandırma oranını elde etmek amacıyla farklı deneyler yapılmıştır. Önerilen öznitelik seçim-Bayes optimizasyon hibrit yöntemleri çalışmada kullanılan makine öğrenme algoritmalarının sınıflandırma oranlarını artırmıştır. Yapılan deneyler sonucunda, LASSO-BO-DVM yöntemi her iki meme kanseri veri setinde de en yüksek doğruluk, kesinlik, duyarlılık ve F1-skorunu göstermiştir (WBCD için %98,95, %97,17, %100 ve %98,56; MBCD için %97,95, %98,28, %98,28 ve %98,28).
Tiroid nodüllerinin genetik algoritma ile eğitilen anfıs yöntemi kullanılarak iyi huylu ve kötü huylu olarak ayrıştırılması ile yeni bir bilgisayar destekli tanı temelli risk sınıflandırma sistemi önerilmesi
Literatürde kullanılan tiroid nodülü risk sınıflandırma rehberleri, nodüllerin bazı iyi bilinen sonografik özelliklerine göre, hekimlerin klinik tecrübelerine dayanarak oluşturulmuşlardır. Bu özelliklere göre nodüllere tanı konması subjektif bir yöntem olup hekimin tecrübesine bağlıdır. Bu çalışmada, yapay zeka yöntemleri kullanılarak, nodüllerin ayırıcı tanısında çok çeşitli ultrason bulgularının ilişkileri incelenmiş, bu durumun üstesinden gelinmesi amaçlanmıştır. Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi'nin (ANFIS) Genetik Algoritma (GA) ile eğitimine dayalı yenilikçi bir yöntem, kötü huylu tiroid nodüllerini iyi huylu olanlardan ayırt etmek için kullanılmıştır. Önerilen yöntemden elde edilen sonuçlar yaygın olarak kullanılan ANFIS'in türev tabanlı optimize edilen algoritmaları ve Derin Sinir Ağı (DNN) yöntemi ile karşılaştırılmış, önerilen yöntemin tiroid nodüllerini sınıflandırmada daha başarılı olduğu gösterilmiştir. Ayrıca tiroid nodüllerinin sınıflandırılması için literatürde olmayan bilgisayar destekli tanı (BDT) temelli yeni bir risk sınıflandırma sistemi önerilmiştir. Anahtar Kelimeler: Tiroid, Tiroid nodülü, Sınıflandırma, ANFIS, Derin sinir ağı, Rehber
Patolojik seslerin tanısı için derin öğrenme tabanlı tıbbi karar destek sisteminin geliştirilmesi
Patolojik duruma bağlı olarak normal konuşma akışının bozulması, ses bozukluğu olarak bilinir. Bu nedenle, mevcut herhangi bir bozukluk, konuşma üretim sisteminin işleyişini bozar ve dolayısıyla bozuk bir ses üretir. Bazı laringeal patolojiler hayatı tehdit eder, bu nedenle ses bozukluğunun erken tespiti önemlidir. Patolojik seslerin tespitinde bir karar destek sisteminin geliştirilmesi hayati önem taşımaktadır. Patolojik seslerin belirlenmesi amacıyla seslerden çıkarılan özniteliklerin değerlendirilmesinde istatistiksel yöntemlerin grup bazında bir sonuç vermesi nedeniyle bireysel düzeyde bir cevap elde edilebilmesi amacıyla son yıllarda makine öğrenme yöntemleri araştırmacılar tarafından ilgi çekici bir konu olmuştur. Bununla birlikte makine öğrenmesinin özniteliklerin manuel çıkarılmasına ihtiyaç duyması nedeniyle optimal özniteliklerin otomatik olarak çıkarılabildiği derin öğrenme teknikleri araştırmacıların güncel araştırma konuları arasına girmiştir. Ancak henüz patolojik ses bozukluklarının tespiti alanında derin öğrenme tekniklerinin kullanımı ile ilgili az sayıda araştırma çalışması bulunmaktadır. Bu tez çalışmasında, patolojik seslerin belirlenmesi amacıyla derin öğrenme yöntemleri kullanılmıştır. Çalışmada Saarbruecken Ses Veritabanından vokal kordlardaki yapısal değişikliklerin neden olduğu organik disfoniye sebep olan patolojilere sahip hastaların ses kayıtları seçilmiştir. Bu patolojiler arasında larenjit, lökoplazi, Reinke ödemi, rekürren laringeal sinir felci, vokal kord karsinomu ve vokal kord polibi bulunmaktadır. Her bir bireyin nötr perdesinde sürekli sesli /a/ sesi kayıtları seçilmiştir. 380'i sağlıklı ve 380'i patolojik olmak üzere 760 ses kaydı kullanılmıştır. Veriler, sırasıyla %75 ve %25 örnek içeren eğitim seti ve test seti olarak ayrılmıştır. Ses sinyallerine öncelikle dalgacık gürültü giderme işlemi uygulanmıştır. Daha sonrasında ses sinyallerinin spektrogram görüntüleri alınarak dört faklı Evrişimsel Sinir Ağı (ESA) mimarisine girdi olarak verilmiştir. Tez kapsamında ESA mimarisi olarak GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılmıştır. İlk aşamada patolojik seslerin belirlenmesi amacıyla seçilen Evrişimsel Sinir Ağı mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. Daha sonra aynı Evrişimsel Sinir Ağı mimarileri bu kez sadece öznitelik çıkarımında kullanılmıştır ve Komşuluk Bileşen Analizi ile öznitelik seçimi yapıldıktan sonra farklı sınıflandırma algoritmalarıyla sınıflandırılarak oluşturulan modellerin performans analizleri yapılmıştır. Kullanılan sınıflandırma algoritmaları Karar ağaçları, Destek Vektör Makineleri, k-En yakın komşuluk, Ensemble ve bu çalışma için tasarlanmış bir karar ağacı yöntemidir. En başarılı performans SqueezeNet mimarisinden çıkarılan özniteliklerin Ensemble algoritması ile sınıflandırılması sonucu elde edilmiştir. Gözlemlenen bulgular, önerilen bu modelin patolojik seslerin belirlenmesinde umut verici olduğunu göstermektedir.
Patolojik seslerin tanısı için derin öğrenme tabanlı tıbbi karar destek sisteminin geliştirilmesi
Patolojik duruma bağlı olarak normal konuşma akışının bozulması, ses bozukluğu olarak bilinir. Bu nedenle, mevcut herhangi bir bozukluk, konuşma üretim sisteminin işleyişini bozar ve dolayısıyla bozuk bir ses üretir. Bazı laringeal patolojiler hayatı tehdit eder, bu nedenle ses bozukluğunun erken tespiti önemlidir. Patolojik seslerin tespitinde bir karar destek sisteminin geliştirilmesi hayati önem taşımaktadır. Patolojik seslerin belirlenmesi amacıyla seslerden çıkarılan özniteliklerin değerlendirilmesinde istatistiksel yöntemlerin grup bazında bir sonuç vermesi nedeniyle bireysel düzeyde bir cevap elde edilebilmesi amacıyla son yıllarda makine öğrenme yöntemleri araştırmacılar tarafından ilgi çekici bir konu olmuştur. Bununla birlikte makine öğrenmesinin özniteliklerin manuel çıkarılmasına ihtiyaç duyması nedeniyle optimal özniteliklerin otomatik olarak çıkarılabildiği derin öğrenme teknikleri araştırmacıların güncel araştırma konuları arasına girmiştir. Ancak henüz patolojik ses bozukluklarının tespiti alanında derin öğrenme tekniklerinin kullanımı ile ilgili az sayıda araştırma çalışması bulunmaktadır. Bu tez çalışmasında, patolojik seslerin belirlenmesi amacıyla derin öğrenme yöntemleri kullanılmıştır. Çalışmada Saarbruecken Ses Veritabanından vokal kordlardaki yapısal değişikliklerin neden olduğu organik disfoniye sebep olan patolojilere sahip hastaların ses kayıtları seçilmiştir. Bu patolojiler arasında larenjit, lökoplazi, Reinke ödemi, rekürren laringeal sinir felci, vokal kord karsinomu ve vokal kord polibi bulunmaktadır. Her bir bireyin nötr perdesinde sürekli sesli /a/ sesi kayıtları seçilmiştir. 380'i sağlıklı ve 380'i patolojik olmak üzere 760 ses kaydı kullanılmıştır. Veriler, sırasıyla %75 ve %25 örnek içeren eğitim seti ve test seti olarak ayrılmıştır. Ses sinyallerine öncelikle dalgacık gürültü giderme işlemi uygulanmıştır. Daha sonrasında ses sinyallerinin spektrogram görüntüleri alınarak dört faklı Evrişimsel Sinir Ağı (ESA) mimarisine girdi olarak verilmiştir. Tez kapsamında ESA mimarisi olarak GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılmıştır. İlk aşamada patolojik seslerin belirlenmesi amacıyla seçilen Evrişimsel Sinir Ağı mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. Daha sonra aynı Evrişimsel Sinir Ağı mimarileri bu kez sadece öznitelik çıkarımında kullanılmıştır ve Komşuluk Bileşen Analizi ile öznitelik seçimi yapıldıktan sonra farklı sınıflandırma algoritmalarıyla sınıflandırılarak oluşturulan modellerin performans analizleri yapılmıştır. Kullanılan sınıflandırma algoritmaları Karar ağaçları, Destek Vektör Makineleri, k-En yakın komşuluk, Ensemble ve bu çalışma için tasarlanmış bir karar ağacı yöntemidir. En başarılı performans SqueezeNet mimarisinden çıkarılan özniteliklerin Ensemble algoritması ile sınıflandırılması sonucu elde edilmiştir. Gözlemlenen bulgular, önerilen bu modelin patolojik seslerin belirlenmesinde umut verici olduğunu göstermektedir.
Patolojik seslerin tanısı için derin öğrenme tabanlı tıbbi karar destek sisteminin geliştirilmesi
Patolojik duruma bağlı olarak normal konuşma akışının bozulması, ses bozukluğu olarak bilinir. Bu nedenle, mevcut herhangi bir bozukluk, konuşma üretim sisteminin işleyişini bozar ve dolayısıyla bozuk bir ses üretir. Bazı laringeal patolojiler hayatı tehdit eder, bu nedenle ses bozukluğunun erken tespiti önemlidir. Patolojik seslerin tespitinde bir karar destek sisteminin geliştirilmesi hayati önem taşımaktadır. Patolojik seslerin belirlenmesi amacıyla seslerden çıkarılan özniteliklerin değerlendirilmesinde istatistiksel yöntemlerin grup bazında bir sonuç vermesi nedeniyle bireysel düzeyde bir cevap elde edilebilmesi amacıyla son yıllarda makine öğrenme yöntemleri araştırmacılar tarafından ilgi çekici bir konu olmuştur. Bununla birlikte makine öğrenmesinin özniteliklerin manuel çıkarılmasına ihtiyaç duyması nedeniyle optimal özniteliklerin otomatik olarak çıkarılabildiği derin öğrenme teknikleri araştırmacıların güncel araştırma konuları arasına girmiştir. Ancak henüz patolojik ses bozukluklarının tespiti alanında derin öğrenme tekniklerinin kullanımı ile ilgili az sayıda araştırma çalışması bulunmaktadır. Bu tez çalışmasında, patolojik seslerin belirlenmesi amacıyla derin öğrenme yöntemleri kullanılmıştır. Çalışmada Saarbruecken Ses Veritabanından vokal kordlardaki yapısal değişikliklerin neden olduğu organik disfoniye sebep olan patolojilere sahip hastaların ses kayıtları seçilmiştir. Bu patolojiler arasında larenjit, lökoplazi, Reinke ödemi, rekürren laringeal sinir felci, vokal kord karsinomu ve vokal kord polibi bulunmaktadır. Her bir bireyin nötr perdesinde sürekli sesli /a/ sesi kayıtları seçilmiştir. 380'i sağlıklı ve 380'i patolojik olmak üzere 760 ses kaydı kullanılmıştır. Veriler, sırasıyla %75 ve %25 örnek içeren eğitim seti ve test seti olarak ayrılmıştır. Ses sinyallerine öncelikle dalgacık gürültü giderme işlemi uygulanmıştır. Daha sonrasında ses sinyallerinin spektrogram görüntüleri alınarak dört faklı Evrişimsel Sinir Ağı (ESA) mimarisine girdi olarak verilmiştir. Tez kapsamında ESA mimarisi olarak GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılmıştır. İlk aşamada patolojik seslerin belirlenmesi amacıyla seçilen Evrişimsel Sinir Ağı mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. Daha sonra aynı Evrişimsel Sinir Ağı mimarileri bu kez sadece öznitelik çıkarımında kullanılmıştır ve Komşuluk Bileşen Analizi ile öznitelik seçimi yapıldıktan sonra farklı sınıflandırma algoritmalarıyla sınıflandırılarak oluşturulan modellerin performans analizleri yapılmıştır. Kullanılan sınıflandırma algoritmaları Karar ağaçları, Destek Vektör Makineleri, k-En yakın komşuluk, Ensemble ve bu çalışma için tasarlanmış bir karar ağacı yöntemidir. En başarılı performans SqueezeNet mimarisinden çıkarılan özniteliklerin Ensemble algoritması ile sınıflandırılması sonucu elde edilmiştir. Gözlemlenen bulgular, önerilen bu modelin patolojik seslerin belirlenmesinde umut verici olduğunu göstermektedir.
Obstrüktif uyku apnesinin derin öğrenme kullanılarak tahmin edilmesi
Nefes alışverişinin en az on saniye boyunca durması olarak tanımlanan uyku apnesi, günümüzde sık karşılaşılan bir uyku hastalığı olarak bilinmektedir. Obstrüktif uyku apnesi (OUA), solunum yolunda tıkanmaya bağlı gerçekleşen en yaygın uyku hastalıklarından biridir. Bu sendromun geliştirilen modeller yardımıyla otomatik olarak tespit edilebilmesinin yanında ön görülebilmesi de ciddi seviyelerde sağlık problemlerini ve hayati tehlikeyle karşı karşıya kalma durumunu önlemek açısından önemlidir. Yüksek doğrulukla çalışan tahmin modellerinin geliştirilmesi ile OUA rahatsızlığı yaşayan kişilerin sendrom anı gelmeden uyarılması ve uykudan uyandırılması ile olası risklerin yaşanmadan önlenmesi mümkün olabilecektir. Bu tez çalışmasında, derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) ile OUA tanısı konmuş hastalara ait elektrokardiyografi sinyalleri kullanılarak apne tahmini yapan modeller sunulmuştur. Bu modellerden birincisi, önceden eğitilmiş mimariler ile yapılan sıfırdan eğitim çalışmasıdır. İkinci model, önceden eğitilmiş mimariler ile transfer öğrenme yöntemi kullanılarak yapılan çalışmadır. Üçüncü model, ilk iki modelde gözlemlenen bulgulara bağlı olarak önerilmiş yeni bir modeldir. Son modelde ise üçüncü modelde önerilen derin öğrenme mimarisinden elde edilen özniteliklerin, mimarinin kendi sınıflandırıcısı yerine Destek Vektör Makineleri, Rastgele Alt Uzay k-En yakın Komşuluk ve Rastgele Alt Uzay Diskriminant Analizi yöntemleri ile sınıflandırıldığı durumda gözlemlenen sonuçlar sunulmuştur. Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen modellerin OUA tahmininde iyi bir belirteç olarak kullanılabileceğini göstermektedir.