Sağlık görüntülerinde CNN tabanlı görsel açıklama yöntemlerinin karşılaştırılması

Yapay zeka (YZ), modern yaşamda giderek daha hayati hale geliyor, ancak YZ yaklaşımları daha karmaşık hale geldikçe açıklamaları zorlaşabilir ve özellikle tıp alanında sonuçlarına güven eksikliğiyle yol açabilir. Tıbbi YZ uygulamalarında, makine öğrenmesi modellerinin yorumlanabilir ve güvenilir olmasını sağlamak için Açıklanabilir Yapay Zeka (AYZ) yaklaşımları kritiktir ve bu, hasta sonuçlarını iyileştirmek için önemlidir. Tıbbi görüntülemede, ısı haritaları gibi görselleştirme yöntemleri, makine öğrenmesi çıktılarının yorumlanabilir ve güvenilir temsillerini oluşturmanın en iyi yoludur ve hastalık belirtileri veya anormalliklerin olası bölgelerinin tespit edilmesine olanak tanır. Bu araştırma, tıbbi görüntü analizi için doğru ve güvenilir ısı haritaları oluşturmak için birden fazla Konvolüsyonel Sinir Ağı tabanlı (KSA tabanlı) görsel açıklama yaklaşımını inceleyerek karşılaştırır ve tıbbi YZ'nin güvenilirliğini ve kullanışlılığını artırmayı hedefler. Bu tez, Kvasir endoskopi veri setinde iki sınıf ve HAM10000 cilt kanseri veri setinde 7 sınıf ile birkaç AYZ görselleştirme yaklaşımını karşılaştırır. Kvasir veri setinde, 0,9 doğruluk oranı elde eden bir efficientnet-v2-s modeli eğitilir ve GradCAM, XGradCAM, teknikleri gibi birçok Aktivasyon Haritası (AH) yöntemi kullanılarak ısı haritaları oluşturulur. HAM10000 veri setinde, doğruluk oranı 0,74 olan bir VGG16 modeli eğitilir ve ısı haritaları oluşturmak için HemKatmanlı Önemlilik Yayılımı (HÖY) ve GradCAM yaklaşımları kullanılır. Bir değerlendirme ölçütü olarak Kesişim Üzerine Birlik (KÜB) tekniği kullanılır. Bu tez, görselleştirme yöntemlerini karşılaştırmaya ve ısı haritalarını geliştirmeye ve ilgi alanlarının kapsamını artırmaya çalışırken teknikleri birleştirerek en yüksek kalitede sonuçları elde etmek için maksimum oylama, birleşme ve kesişim olmak üzere üç farklı yöntem kullanır. Tezin bulguları, GradCAM yöntemlerinin birleştirilmesinin tıbbi görüntülerde en ilgili özellikleri yakalayan son derece.