Derin öğrenme yaklaşımlarıyla tıbbi yara görüntülerinin segmentasyonu ve sınıflandırılması

Tıp alanında doktorların her ne kadar çalıştığı uzmanlık alanında becerileri yüksek olsa da, aynı hasta için farklı zamanlarda farklı karar verme durumları ve tedavi önermeleri söz konusu olabilmektedir. Bu durum, karar verme süreçlerinde danışılanlar arasında farklılıklara yol açabilmektedir. Bu tür öznelliklerin azaltılması ve giderek ortadan kalkabilmesi için tüm dünyada doktorlara yardımcı olabilecek nicel ölçütlere dayalı tanı sistemlerinin geliştirilmesi çalışmaları gün geçtikçe artmaktadır. Bu tez çalışmasında derin öğrenme tabanlı evrişimsel sinir ağı (ESA) yöntemleriyle tıbbi yara görüntülerinin segmentasyonu ve sınıflandırılmasının sağlanması amacıyla farklı yöntemler önerilmiştir. Tez çalışmasının kapsamı şu şekildedir: (i) Anlamsal bölütleme (semantik segmentasyon) yöntemleriyle yara görüntülerinin mevcut görüntüden ayrıştırılması, (ii) Ayrıştırılan görüntülerin literatürde güncel derin öğrenme mimarileri ile sınıflandırılması, (iii) Sınıflandırma aşamasında en iyi sonuçlar veren mimari için parametre optimizasyonunun yapılması, (iv) En başarılı yöntemden yola çıkılarak evrişimsel sinir ağları modellerinin tasarlanmasıdır. İlk olarak tıbbi yara görüntülerinin segmente edilmesi için kodlayıcı-kod çözücü (encoder-decoder) temelli 20 farklı yaklaşım ele alınmıştır. Kodlayıcı-kod çözücü tabanlı derin öğrenme mimarilerinin segmentasyon başarıları ile yara görüntülerinin segmentasyonunda farklı özellik çıkarıcı ESA mimarilerinin temel model olarak kullanıldığı durumlardaki segmentasyon başarısı incelenmiştir. Segmentasyon işleminde ön eğitimli derin öğrenme mimarilerinin yanı sıra 5 katmanlı bir Vanilla ESA ağı tasarlanmış ve segmentasyonda temel model olarak kullanılmıştır. Literatürde kodlayıcı-kod çözücü segmentasyon yöntemleriyle tıbbi yara görüntülerinin segmente edilmesi ilk defa bu tez kapsamında gerçekleştirilmiştir. İkinci olarak, yara görüntülerinin granül, nekrotik ve slough sınıflarından hangisine ait olacağına karar verecek şekildeki sınıflandırma probleminde, yöntemlerin sınıflandırma başarımları araştırılmıştır. Bunun için 19 adet ESA mimarisinin veri seti üzerinde sabit tanımlı parametrelerle başarılarının ölçülmesi hedeflenmiştir. Sonraki aşamada ise ESA mimarilerinde kullanılan parametre değerlerinin sonuçlar üzerindeki etkisi ele alınmıştır. Çalışmada yara görüntülerinin sınıflandırılmasında başarıyı en iyi bulan epok sayısı, yığın boyutu ve öğrenme hızı parametrelerinin bulunması da ele alınmıştır. Üçüncü olarak, 19 adet ESA mimarisinden, en başarılı yöntem olan AlexNet mimarisine odaklanılmıştır. Özgün olarak üretilen bir yara veri seti üzerinde, basınç ve diyabetik ayak yarası görüntülerinin sınıflandırılmasında kullanılan eğitim parametrelerinin başarıyı ne kadar etkilediği incelenerek, optimum sonuçların bulunmasında hangi parametre(ler)in etkili olduğu araştırılmıştır. Yapılan parametre optimizasyon deneylerinde, değerlendirme metrikleri üzerinde yapılan değişimler incelendiğinde öğrenme hızı parametresinin 1e-4 değerinde optimum değerleri ürettiği gözlenmiştir. Son olarak optimum sonuçların elde edildiği parametreler ile en iyi sonuçların elde edildiği AlexNet mimarisi modifiye edilmiş, farklı versiyonları önerilmiş ve sınıflandırma başarıları incelenmiştir. Farklı sayıda evrişim katmanına sahip yeni modeller üretilerek performansları ölçülmüş ve yara görüntülerinin tanımlanmasındaki başarımları karşılaştırılmıştır. Ayrıca AlexNet mimarisinin sınıflandırma katmanında bulunan Softmax Sınıflandırıcı yerine Destek Vektör Makinesi (SVM) sınıflandırıcısı da kullanılarak, karşılaştırmalı deneyler yapılmıştır. Bu modellerin eğitim ve test aşamalarında kullanılmak üzere yara görüntülerine ait 2100 adet görüntüden oluşan özgün yeni bir veri seti de oluşturulmuştur. Segmentasyon için tasarlanan kodlayıcı-kod çözücü tabanlı modeller arasında en yüksek doğruluğu elde eden MobileNet-UNet modelinin başarısı %99.67 olarak bulunmuştur. Sınıflandırma işlemi için en yüksek doğruluğa sahip ESA modeli AlexNet mimarisinin başarısı ise %95.83 olarak elde edilmiştir. Son olarak AlexNet mimarisinin geliştirilmesiyle önerilen modeller arasında altı evrişim katmanına sahip 6Conv_SVM modeliyle sınıflandırma doğruluğu %98.85 başarıya yükseltilmiştir. Özetle bu tez çalışmasında, tıbbı yara görüntüleri üzerinde otomatik karar vermeye yardımcı yeni yöntemlerin tasarlanması hedefiyle, derin öğrenme evrişimsel sinir ağı yöntemleri kullanılarak tıbbi yara görüntülerinin segmentasyonu ve sınıflandırılması için yeni yöntemler önerilmiştir.