Tıbbi görüntü sınıflandırmasında derin öğrenme yöntemlerinin karşılaştırılması

Günümüzde, mevcut görüntüleme teknikleri, tıptaki teknolojik gelişmeler nedeniyle Covid-19 ve Pnömoni gibi rahatsızlıkların teşhis edilmesi için araçlar sunmaktadır. Bununla birlikte, özellikle salgının patlak verdiği bir dönemde yeterli tıbbi uzmanın bulunmaması, erken teşhis ve tedavilerde ciddi zorluklara yol açarak komplikasyonlara ve beklenmedik ölümlere yol açmaktadır. Bu tez çalışmasında, ikili ve üçlü sınıflandırma için CNN modeli, VGG16 + XGBoost, ve VGG + SVM modeli kullanılmıştır. Dataset-A 6.432 farklı göğüs röntgeni (CXR) görüntüsü (Normal, Covid- 19 ve Pnömoni sınıfları) içermektedir. Ardından, 7.000 görüntülü (Normal ve Covid-19'dan oluşan) Dataset-B üzerinde ikili sınıflandırma için önceden eğitilmiş ResNet50, Xception ve DenseNet201 modelleri kullanılmıştır. Önerilen CNN modeli, %98.91'lik bir test doğruluğu elde etmiştir. Daha sonra hibrit modeller (VGG16 + XGBoost ve VGG16 + SVM) sırasıyla %98,44 ve %95,60 doğruluk oranlarına ulaşmıştır. Parametre ayarlamaları yapılmış ResNet50, Xception ve DenseNet201 modelleri sırasıyla %98,90, %99,14 ve %99,00 doğruluk elde etmiştir. Son olarak, modeller çeşitli çalışmalarla yeniden değerlendirilerek test edilmiş ve etkileyici sonuçlar elde edilmiştir. Elde edilen sonuçlar, modellerin erken hastalık teşhisi ve tedavisi için sağlam araçlarla radyologlara yardımcı olabileceğini göstermektedir.