Derin topluluk öğrenme tabanlı inme sınıflandırması

İnme, insanların yaşam kalitesini ve sağlığını derinden bozan bir tür beyin hastalığıdır. Beyin Manyetik Rezonans (MR) görüntülerinin kantitatif analizi, inmelerin hem teşhisi hem de tedavisi için çok önemlidir. Erken tanı yöntemi inme vakalarını önlemek için çok önemlidir. Kapsamlı veri öğrenme kapasitesine sahip derin sinir ağları, inme tahminine imkân sağlamıştır. Bu nedenle, bu çalışmada, inme lezyonlarının özelliklerini incelemek ve tam akıllı otomatik algılama elde etmek amacıyla MRI görüntülerini iki kategoride (inme ve inme olmayan) sınıflandırmak için transfer öğrenmeyle birkaç derin sinir ağı modeli önerilmiştir. Bu modeller MobileNet, EfficientNetB2, ResNet50, DenseNet121 ve EfficientNetB2'dir. Çalışma veri setini, 1901 eğitim görüntüsü, 475 doğrulama görüntüsü ve 250 test görüntüsü oluşturmaktadır. Modellerin daha etkili bir şekilde öğrenmesine yardımcı olan eğitim ve doğrulama setlerindeki görüntü sayısını artırmak için veri artırma kullanılmıştır. Deneylerden elde edilen sonuçlar, aynı veri kümesini kullanan tüm son teknoloji yöntemlerden daha iyi performans göstermiştir. Transfer öğrenme için DenseNet121 ve Xception modelini kullanan çalışmanın en iyi modelleri, kesinlik, geri çağırma ve F1-puanı için aynı değerlerle genel olarak %98,4'lük bir doğruluk elde etmiştir. Ayrıca çalışmanın ilk üç modeli olan EfficientNet, DenseNet ve Xception ile topluluk öğrenme yöntemi kullanılmış ve %100 genel skor elde edilmiştir.