Derin öğrenme yöntemlerini kullanarak akciğer görüntülerinden hastalık tespiti ve sınıflandırılması

Akciğer hastalıkları her geçen gün sağlık alanında ele alınması gereken önemli rahatsızlıkların başında gelmektedir. Hastalığın erken aşamada tespit edilmesi ve doğru tedaviye hızlı bir şekilde yanıt vermesi hastalar için hayati bir öneme sahiptir. Doktorların hastalığı erken aşamada belirlemesinde ve hastalıklı bireylerde tedaviye erken başlanması hastalığın seyrini yüksek oranda etkilemiştir. Akciğer hastalık tespiti ve sınıflandırılması uzmanlık gerektiren zor bir süreç olup gerekli müdahalenin doğru zamanda yapılması tedavinin başarısını ortaya koymaktadır. Akciğer hastalıkları her geçen gün çeşitlenmekte ve analiz edilmesi zor bir durum haline gelmektedir. Yanlış hastalık tespiti ve hastalığın doğru şekilde analiz edilememesi insan sağlığını büyük oranda etkilemiştir. Günümüzde yapılan çalışmalarda yapay zeka yönteminin kullanımı hastalığı tespit edebilmede ön plana çıkmaktadır. Görüntülerin analizi ve doğru bir şekilde sınıflandırılması hastalığın durumunu hafifletmekte ve ölüm riskini azaltmaktadır. Bu tez çalışmasında YOLO modelleri kullanılarak akciğer görüntülerinden oluşan bakterili, virüslü ve normal hastalık görüntüleri olan veri kümesi kullanılıp YOLO algoritmasının farklı sürümleri (YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12) karşılaştırmalı olarak incelenmiş ve hastalık tespitinin gerçekleştirilmesi amaçlanmıştır. Yapılan deneylerde sırasıyla YOLOv8 %87,9, YOLOv9 %85, YOLOv10 %86,8, YOLOv11 %87,8 ve YOLOv12 %86,1 ortalama hassasiyet (mAP) değerine ulaşmıştır. Çalışmada YOLOv8 diğer modellere göre model mimarisindeki yapısı ve özellik çıkarımı sayesinde nesne tespitini genelleştirme yeteneğinden dolayı en iyi performansı göstermiştir. Çalışmanın hastalık tespit yeteneğini arttırmak için en iyi performans gerçekleştiren YOLOv8 modeline SE ve uzlamsal dikkat modülü entegre edilmiştir. Geliştirilen YOLOv8 modeli %88,7 mAP, %88 duyarlılık, %78,6 kesinlik ve %83 F1 skoruyla en iyi başarıyı yakalamıştır. YOLOv8 modeline entegre edilen SE ve uzlamsal dikkat modülü çalışmanın sonucunu %1,01 oranında iyileştirmiştir.