Beyin BT görüntülerinden inme teşhisine yönelik derin öğrenme tabanlı hekim karar destek sistemi

Anomalileri tespit eden, insan hatasını en aza indiren, doğru sonuçlar veren ve harcanan zamanı azaltan derin öğrenme modellerinden belli ölçüde yararlanılmaktadır. Özellikle radyoloji ve nöroradyoloji, üretilen büyük miktarda veri nedeniyle derin öğrenme modellerinin uygulanması için uygun alanlardır. Görüntü işleme kurallarının anlamlı bir şekilde uygulanarak tıbbi teşhis güvenilirliğinin sağlandığı en önemli alanlardan biri de tıbbi görüntülemedir. İnme, nörogörüntülemenin klinik yönetiminde önemli rol oynayan hastalıklardan biridir. Tüm dünyada önemli bir sağlık sorunu olan inme, yetişkinlerde fiziksel, sosyal, psikolojik ve ekonomik yıkıma neden olan sakatlık ve ölümlerin en önemli nedenlerinden biridir. İnmenin erken evrelerinde beyin sağlıklı beyin fonksiyonları gibi davrandığından erken teşhis zorlaşır. Uzman radyologlar bile inmenin başlangıç aşamasındaki bulguları gözden kaçırabilirler. İnmede zaman faktörü çok değerlidir. Bu nedenle tedavilerin etkili olabilmesi için semptomların başlaması ile birlikte bu tedavilerin mümkün olan en kısa sürede uygulanması gerekmektedir. Erken tedavi hayat kurtarır. Bu nedenle inme olgularında inmenin nedeninin (iskemik, hemorajik) ne olduğunun anlaşılması, kanamanın ekarte edilmesi, enfarktüs bölgesinin belirlenmesi, etiyoloji hakkında bilgi edinilmesi ve tedavi planlamasının yapılabilmesi için görüntülemeye ihtiyaç duyulmaktadır. Kontrastsız BT, inme şüphesi olan hastaların ilk değerlendirmesinde kullanılan birincil görüntüleme protokolüdür. Hızlı inme protokollerinin ilk adımı olan kontrast madde verilmeden elde edilen Beyin BT görüntülerinde inmenin patolojik tipinin belirlenmesine yönelik derin öğrenme çalışmaları oldukça sınırlıdır. Bu tez çalışması, kontrastsız beyin BT görüntülerinden inme lezyonlarının tespiti ve teşhisi için derin öğrenme tabanlı yeni bir otomatik segmentasyon ve sınıflandırma yaklaşımının etkisini göstermeyi amaçlamaktadır. Bu tez, 2015 ile 2020 yılları arasında yayınlanan derin öğrenme tabanlı Evrişimli Sinir Ağları kullanılarak beyin BT görüntülerinden inme tespiti, inme sınıflandırması ve patolojik inme tipinin segmentasyonu için belirli kriterlere göre filtrelenmiştir. Elde edilen görüntüler hemorajik, iskemik inme türü içeren hastalar ile BT görüntü bulguları normal olan hastalardan oluşmaktadır. İnme enfarktüs alanlarını saptamak için çeşitli görüntüleme yöntemleri kullanılabilir. Sınıflandırma sonuçlarının doğruluk oranı %94,75'tir. Deneyde AUC, %98.47'lik bir başarı oranı göstermiştir. Bu, modelimizin inme bulunan beyin BT sınıfı ile normal beyin BT sınıfı arasında ayrım yapabilme olasılığının %98,47 olduğu anlamına gelmektedir. Her biri 10 saniye süren 300 epoch sonucunda, önerdiğimiz segmentasyon modelimiz %83,32'lik bir doğrulama ortalama IoU skoruna ulaşmıştır. Bu tez kapsamında, sınıflandırma ve anlamsal bölütleme problemleri için elde edilen başarılı sonuçlar neticesinde beyin felcinin tespiti için bir hekim karar destek sistemi önerilmiştir.