Derin öğrenme tekniklerini kullanarak otomatik tüberküloz teşhisi

Son yıllarda, makine öğrenimi tekniklerini kullanan otomatik teşhis, araştırmaların odak noktası olmuştur. Sınıflandırıcıların, belirli bir görevi eğitimli bir meslek kadar iyi yerine getirebilme yeteneği, birçok uygulamaya kapı açar. Mycobacterium Tuberculosis (TB), hastalığı hızlı bir şekilde teşhis edip tedavi edebilen zayıf sağlık sistemi altyapısı nedeniyle gelişmekte olan ülkelerin çoğunu rahatsız eden ölümcül bir hastalıktır. Dünya Sağlık Örgütü (WHO), yeni enfeksiyonlarda ve ölümlerde önemli azalma için 2030 ve 2035 yıllarını kilometre taşları olarak belirledi. WHO, TB'nin doğru bir şekilde teşhis edilmesini ve endemik olarak yok edilmesini yavaşlatan faktörleri iyi eğitimli profesyonellerin bulunmamasına ve yetersiz veya kırılgan halk sağlığı sistemlerine bağlamaktadır. Evrişimli sinir ağları (CNN'ler), bilgisayarlı görü alanında, yani görüntü tanıma ve algılama alanında dikkate değer bir başarı göstermektedir. Bu nedenle, CNN'nin radyoloji ile birleşen görüntü sınıflandırmasındaki başarısı, bu yöntemi potansiyel TB hastalarının Göğüs Röntgeni (CXR) görüntülerini sınıflandırmak ve hızlı tanı koymak için mükemmel bir aday haline getiriyor. Bu çalışmada, iki kamuya açık veri seti kullanılarak eğitilen üç tür CNN ve Konya Eğitim ve Araştırma Hastanesi'nden toplanan yeni bir veri setiyle oluşturulan CNN tanımlanmaktadır. Ayrıca, CNN mimarilerine, uzaysal kutular kullanılarak sağlam özellik havuzlama yeteneği ile evrişimli sinir ağlarını donatan bir metodoloji olan Uzamsal Piramit Havuzlama (SPP) adlı ekstra bir katman entegre edildi. Sonuçlarımız, otomatik bir sistemin, akciğer tüberkülozunu teşhis etmede bir radyolog profesyonelinin üzerinde doğruluk oranına sahip olduğunu göstermiştir. Anahtar Kelimeler: Derin Öğrenme, Evrişimli Sinir Ağı, Tüberküloz, Uzamsal Piramit Havuzlama.