Karaciğer hastalığının bilgisayarlı tomografi görüntülerinden derin ağ mimarisi ile teşhisini iyileştirmek için en uygun veri artırma tekniğinin araştırılması

Karaciğer hastalığının otomatik olarak teşhis edilmesi için son zamanlarda derin öğrenmeye dayalı yöntemler geliştirilmektedir. Derin öğrenme teknikleri ile yapılan görüntü sınıflandırma yaklaşımlarında ağ mimarilerinin eğitilmesi ve test edilmesi için çok sayıda veriye ihtiyaç duyulmaktadır. Fakat tıbbi alanda tedarik edilen görüntüler yetersiz sayıdadır. Bu nedenle çeşitli veri artırma yöntemleri uygulanmakta ve artırılmış sayıdaki veriler ile ağ mimarilerinin eğitilmesi sağlanmaktadır. Fakat, literatürdeki çalışmalarda farklı türden görüntülerin kullanılmış olması, farklı ağ mimarilerinin kullanılması, bu mimarilerin farklı sayılardaki eğitim ve test veri setleri ile eğitilip test edilmesi nedeniyle hangi veri artırma tekniğinin hangi görüntü türü için daha başarılı sonucun elde edilmesini sağladığı net değildir. Bu nedenle, bu tez çalışmasında literatürdeki karaciğer görüntüleri ile yaygın olarak uygulanmış olan veri artırma teknikleri incelendikten sonra görüntülerin sınıflandırılması üzerindeki etkileri karşılaştırılıp en etkili olan veri artırma yaklaşımı belirlenmiştir. Bu tez kapsamında yapılan çalışmalarda, on adet veri artırma tekniği uygulanmış, her teknikten elde edilen artırılmış sayıdaki görüntüler ile eğitim ve test veri setleri oluşturulmuştur. Tasarlanan evrişimsel ve artık bağlantıların olduğu bir derin sinir ağ mimarisi oluşturulan on eğitim seti ile eğitildikten sonra test setleri ile test edilmiştir. Dolayısı ile uygulanan veri artırma tekniklerinin sayısı kadar sınıflandırma işlemi gerçekleştirilmiş olup her sınıflandırma işleminin sonuçları beş farklı sayısal değerlendirme ölçütü kullanılarak değerlendirilmiştir. Bütünleşik olarak uygulanan geometrik dönüşümlere dayalı veri artırma tekniğinin bilgisayarlı tomografi ile çekilen karaciğer görüntülerinin yüksek performans ile sınıflandırılmasında en uygun teknik olduğu belirlenmiştir. Bununla birlikte, tuz-biber tipi gürültüsü ve kayma ile veri artırımının sağlanması görüntülerin sınıflandırma performansını en az artıran yaklaşım olduğu da tespit edilmiştir.