Derin öğrenme algoritmaları kullanılarak dış ve orta kulak hastalıklarının tespit edilmesi

Kulak hastalıkları erken teşhis ve uygun tıbbi bakım ile kolaylıkla tedavi edilebilir. Bununla birlikte, uzman sayısının az olması ve nispeten düşük teşhis doğruluğu, derin öğrenmenin önemli bir rol oynayabileceği yeni bir teşhis stratejisi gerektirmektedir. Bu tezde, klinik ortamda elde edilen çok sayıda otoendoskopik görüntüden yola çıkılarak kulak hastalıklarını tespit etmek için derin öğrenme modelleri kullanılmakta ve bu modellerin başarı oranları gösterilmektedir. Bu tezde, kulak hastalıklarını kapsayan 10 adet hastalık sınıfına (Normal, Adesiv, Akut Otit, Eksternal, Miringoskleroz, Opere, Perfore, Seröz, Serümen, Süpüratif Kronik Otit) sahip bir veri seti kullanılmıştır. Bu veri setinde 1049 adedi sağlıklı (Normal) ve 1076 adedi hastalıklı olmak üzere toplam 2.125 otoendoskopik görüntü bulunmaktadır. Ayrıca bu veri setine çeşitli ön işlemler ve veri artırımı işlemleri uygulanmıştır. Bu veri setinde yer alan hastalıkları sınıflandırmak için Evrişimsel Sinir Ağları (CNN) yöntemine başvurulmuştur. Sınıflandırma işleminin gerçekleştirilebilmesi için önceden eğitilmiş EfficientNetB2, EfficientNetB3, InceptionV3, Resnet50, Resnet50V2, ResNet101, ResNet101V2, VGG-16, Xception ve InceptionResNetV2 modelleri kullanılmıştır ayrıca bu modellerin tam bağlı katmanlarına 2048 ve 1024 nörondan oluşan iki adet gizli katman eklenmiştir. Bu tezde farklı optimizer algoritmaları ve farklı epok-batch size değerleri ile deneyler yapılmıştır. Optimizer deneylerinin neticesinde Adam optimizer en iyi sonucu vermiştir ve epok- batch size deneylerinde kullanılmıştır. Epok- batch size deneylerinde ise en iyi sonucu 40 epok – 32 batch size çalışmasında %96 doğruluk değeri ile EfficientNetB2 ve ResNet50 modelleri vermiştir. CNN modelleri tarafından en iyi tanınan hastalıklar ise Adesiv ve Opere hastalıkları olmuştur.