Beyin BT görüntülerinden inme tespiti ve sınıflandırılması için gürültü azaltma yöntemleri

Halk arasında inme ya da felç olarak bilinen hemipleji, beynin çeşitli sebeplerden dolayı herhangi bir bölümünün beslenememesi sonucu bölgedeki hücrelerin ölmesi olayına denir. Dünyada ölüm nedenleri arasında ikinci sırada yer almaktadır. Bununla birlikte DSÖ'ye göre her yıl 15 milyondan fazla insana inme tanısı konmakta, 5 milyon insan inme sebebiyle hayatını kaybetmektedir. İnmede zaman en önemli faktördür. İnme etkisinin zamana bağlı olarak artması hem hastanın sağlığı hem de uygulanabilecek tedavi çeşitliliği açısından kritik bir değer taşımaktadır. Bu sebeple inmenin en hızlı şekilde tespiti hastalığın tedavisi açısından önem arz etmektedir. Tıbbi görüntüleme yöntemleri; hastalıkların teşhisinde, tedavinin seyrinde çok önemli bir yer tutmaktadır. Hekim, radyolog veya karar verici, radyolojik görüntüler üzerinden hastalığı tespit edip, hastalığın seyri, olası tedaviler ve yaklaşımlar hakkında değerlendirmelerde bulunmaktadır. Bilgisayarlı Tomografi (BT), inme hastalığının tespitinde kullanılan tıbbi görüntüleme yöntemlerinden biridir. Tüm tıbbı görüntüleme yöntemlerinde olduğu gibi BT görüntülerinin çekimlerinde çekim kalitesini bozan kirlilik/gürültüler ortaya çıkmaktadır. BT görüntü üzerindeki bu gürültü kimi zaman radyolog ya da karar vericiyi hem hastalığın tanısında hem de ileri tetkiklerinde yanıltabilmektedir. Bu sebeple BT görüntülerinden bu gürültünün temizlenmesi, bu projenin motivasyon kaynağı olmuştur. Genel olarak inme, tıkayıcı (iskemik) ve kanamalı (hemorajik) olmak üzere ikiye ayrılır. Bu çalışmada kanamalı inme özelinde bilgisayarlı tomografi görüntülerinde gürültüyü azaltarak söz konusu medikal görüntüleri daha iyi hale getirip, görüntülerin inme var/yok sınıflandırılmasında yapılan gürültü temizleme işleminin etkisi araştırılmıştır. Çalışmada incelenen gürültü temizleme metotları; uzamsal alan filtrelerinden Medyan ve Gauss filtresi, dönüşüm alan filtrelerinden Wiener filtresi ve Dalgacık Dönüşümüdür. Çalışmada Kuzey Amerika Radyoloji Derneği (KARD) tarafından düzenlenen yarışmada paylaşılan veri setinden faydalanılmıştır. Elde edilen veri seti üzerinde Gauss gürültüsü 1, 5, 10, 25, 50, 75 ve 100 standart sapma seviyelerinde eklenerek adı geçen gürültü temizleme metotları ile temizlenmiştir. Gürültü temizleme performansını ölçmek için SSIM, PSNR ve MSE metrikleri kullanılmıştır. Çalışmada inmenin sınıflandırması için derin sinir ağı modellerinden ResNet50, DenseNet121, InceptionV3 ve AlexNet kullanılmıştır. Modellerin eğitilecek ağırlıkları, ImageNet ağırlıkları ve rassal olmak üzere iki farklı şekilde seçilmiştir. Sınıflandırma modellerinin başarımını ölçmek için Doğruluk, Kesinlik, Duyarlılık, AUC ve F1 Skoru kullanılmıştır. Gürültü temizleme ve model sınıflandırma performansları grafikler üzerinden değerlendirilmiş, gürültü temizleme ve model başarımları arasındaki ilişki ortaya konmuştur. Çalışma sonucunda; Gürültünün ve gürültü temizlemenin BT görüntülerini sınıflandırmada kullanılan derin sinir ağ modellerinin başarımı üzerindeki etkisi ortaya konmuştur. Gürültü, BT görüntüsünü bozmakta ve derin sinir ağlarının bilgi çıkarımını zorlaştırmaktadır. Derin sinir ağlarının başarımı gürültüyle olumsuz etkilenmiş ve düşmüştür. Gürültü temizleme metotları ile gürültünün etkisi azaltılmış ve gürültü temizleme süreci sınıflandırıcı modellerin başarımını gürültülü yapıya göre yükseltmiştir. Bu çalışma ile araştırmacılara, çalışmalarına gürültüyü ve gürültü temizlemeyi bir aşama olarak eklemeleri önerilmektedir. Model başarımlarını en iyi hale getirmek için gürültü temizleme aşamasında farklı gürültü temizleme yaklaşımlarının kullanılması, kullanılan metotların parametre optimizasyonunun yapılması, çalışmalarda farklı yaklaşımlar içeren derin sinir ağ modellerinin kullanılması ve gürültü temizlemenin bu derin sinir ağ modelleri ile test edilmesi önerilen diğer başlıklardır.