Bilgisayarlı tomografi görüntüleri üzerinde derin öğrenme tabanlı COVID-19 teşhisine yönelik hekim karar destek sistemi tasarımı

COVID-19 pandemisi tüm dünyayı birçok yönden olumsuz etkilemektedir. Ortaya çıktığı günden bu yana olumsuzluklarının çözümü için çeşitli yöntem ve yaklaşımların geliştirilmesine neden olmuştur. Bu çözüm arayışlarının ortak hedefi, COVID-19'un zararlarını en aza indirgeyebilmektir. Bu tez çalışmasında radyoloji uzmanlarına, göğüs bilgisayarlı tomografi görüntülerinden COVID-19 hastalığının tespit edilmesi sürecinde yardımcı olması için derin öğrenme tabanlı bir sistem tasarlanmıştır. Derin öğrenme tabanlı bu sistem sınıflandırma ve anlamsal bölütleme yeteneğine sahip iki farklı model üzerine kurgulanmıştır. Sınıflandırma yeteneğinin bilgisayara kazandırılması ve COVID-19 pozitif veya COVID-19 negatif bulgularına sahip göğüs bilgisayarlı tomografi görüntülerinin ayırt edilmesinde EfficientNet model ailesi üyelerinden yararlanılmıştır. Sekiz farklı EfficientNet model ailesi üyesi, T.C Sağlık Bakanlığı tarafından verilen izin sayesinde gerçek hasta görüntüleriyle oluşturduğumuz EFSCH-19 adlı veri seti örnekleriyle eğitilmiştir. Eğitim süreci sonucunda gerçekleştirilen test aşamasında %99.75 doğruluk, %99.50 duyarlılık, %100 kesinlik, %100 özgüllük, %99.75 F1-Skoru ve %99.50 MCC oranına ulaşan EfficientNet-B2 modeli sınıflandırıcı derin öğrenme modeli olarak seçilmiştir. Sınıflandırıcı derin öğrenme modeline giriş olarak verilen göğüs BT görüntüsü, çıkışta ikili sınıflandırma yöntemine uygun olarak COVID-19 pozitif veya COVID-19 negatif olarak tahmin edilmektedir. Anlamsal bölütleme yeteneğinin bilgisayara kazandırılabilmesi için göğüs BT görüntülerinde yer alan piksellerin hangi sınıfa ait olduğu bilgisi tanımlanmalıdır. Bu kapsamda EFSCH-19 veri setinde yer alan 200 adet göğüs bilgisayarlı tomografi görüntüsüne karşılık maske görselleri radyoloji uzmanı tarafından elle işaretlenerek EFSCH-19-Seg adını verdiğimiz ikinci veri seti oluşturulmuştur. Oluşturulan maske görsellerinde akciğer alanları, enfeksiyon alanları ve geriye kalan diğer alanları temsil etmek üzere üç adet farklı piksel değeri bulunmaktadır. EFSCH-19-Seg veri seti yardımıyla U-Net model eğitimleri gerçekleştirilmiştir. Bu eğitimlerde U-Net modelinin varsayılan kodlayıcı ağı yerine ResNet model ailesinde yer alan beş farklı modelden yararlanılmıştır. Resnet-50 tabanlı U-Net modeli diğer modellere kıyasla %93.76 Jaccard indeksi ve %96.61 Dice skoru değerleriyle test aşamasını en iyi tamamlayan model olmuştur. Bu tez kapsamında, sınıflandırma ve anlamsal bölütleme görevleri için elde edilen başarılı sonuçlar neticesinde COVID-19 pandemisiyle mücadelede hızlı bir şekilde sahaya entegre edilebilecek bir hekim karar destek sistemi önerilmiştir.