Beyin kitlelerine yönelik erken tanı ve sınıflandırma sistemi

Bu çalışma 2 ana bölümden oluşmaktadır. İlk bölüm, spesifik lokalizasyon ve parametrelere sahip beyin kitlelerinin (Glioblastom, Gliom, Menenjiom) arayüz destekli bir sistem ile otomatik olarak, erken tespit edilmesine ve yorumlanmasına yönelik hekimlere yardımcı bir karar destek sistemi şeklinde biyomedikal bilgisayar tabanlı bir ön tanılama sistemidir. İlk kısım da kendi içerisinde 2 alt kısma ayrılmakta olup, ilki; kitle tespiti ertesinde yapılan yorumlama, tahmin etme sürecinin klasik Yapay Zeka yöntemleri ve son yıllarda oldukça trend olan gelişmiş Derin Öğrenme yöntemleri ile gerçekleştirilmesidir. İkincisi; Derin Öğrenme modellerinden olan Konvolüsyonel Sinir Ağı (KSA), AlexNet ve ResNet-50 modelleri ile KSA modelinin Genetik Algoritma ile optimize edilerek, elde edilen en son versiyon algoritma ile sınıflandırma tahmini işleminin gerçekleştirilmesidir. İkinci bölüm ise, beyin kitleleri grubuna dahil olan inmenin (beyin krizi: iskemik ve hemorajik inme) erken tespiti, skorlanması ve durumunun yorumlanmasına yönelik bir biyomedikal tanı ve skorlama sistemidir. Manyetik Rezonans Görüntüleme (MRG) ve Bilgisayarlı Tomografi (BT) radyolojik görüntülerinden görüntü işleme sonrası özellik çıkarımı işlemi ertesi klasik yapay zeka yöntemlerinden olan Karar Destek Makinesı, k-En Yakın Komşu, Adaboost yöntemleri ile hastalara ait kitle görüntülerine yönelik durum ön tanı tahmini ve yorumlanması adımları gerçekleştirilmektedir. Derin Öğrenme modellerinden olan KSA, AlexNet ve ResNet-50 modelleri ile de özellik çıkarımına ihtiyaç duyulmadan daha gelişmiş ve trend olan yöntemlerle sınıflandırma işlemi gerçekleştirilmektedir. Çalışmanın ikinci bölümü, beyin kitle sınıfında yer alan inmenin bir önceki bölümdeki temel görüntü işleme ve örüntü tanıma yöntemleri kullanılarak inmenin erken tespiti, yorumlanması ve ek olarak, bilgisayar tabanlı otomatik bir inme skorlama ve yorumlama sistemi gerçekleştirilmiştir. Deneysel safhada, Glioblastom, Gliom ve Menenjiom beyin kitlelerinin her biri için 300'er, inme tanı ve skorlaması için ise 200 hasta görüntüsü kullanılmıştır. ROC analizi ve doğruluk/performans testi ertesi elde edilen sonuçlar, ilk kısımdan klasik yöntemler ile sınıflama sürecinden %82, AlexNet ve ResNet-50 gelişmiş modelleri ile sınıflama süreçlerinden sırası ile %87, %95 şeklindedir.