Derin öğrenme yöntemleri kullanılarak akciğer X-ray görüntülerinden atelektazi teşhisi ve sınıflandırılması

Bu çalışmada, derin öğrenme yöntemleri kullanılarak akciğer X-ray görüntülerinden atelektazi hastalığının otomatik olarak sınıflandırılması amaçlanmıştır. Atelektazi, akciğerin bir kısmının ya da tamamının sönmesiyle karakterize ciddi bir solunum hastalığı olup, erken teşhisi tedavi süreci açısından kritik önem taşımaktadır. Bu kapsamda, farklı öğrenme stratejileri ve görüntü ön işleme tekniklerinin sınıflandırma performansına etkisini incelemek amacıyla dört ayrı model geliştirilmiştir. Modeller, iki temel değişkene göre farklılaştırılmıştır: (1) görüntülerin ham hâliyle mi yoksa yalnızca akciğer bölgesi kırpılarak mı kullanıldığı ve (2) modelin sıfırdan mı yoksa önceden eğitilmiş (transfer öğrenme) bir mimariyle mi çalıştığı. Çalışmada sıfırdan öğrenen iki SqueezeNet tabanlı model (Model I ve Model II) ve önceden eğitilmiş SqueezeNet kullanan iki transfer öğrenme modeli (Model III ve Model IV) eğitilmiştir. Model I ve III ham görüntülerle, Model II ve IV ise sadece akciğer bölgesinin yer aldığı kırpılmış görüntülerle eğitilmiştir. Deneysel sonuçlara göre en yüksek başarı Model IV tarafından elde edilmiş; %98.43 doğruluk, 0.984 F1 skoru ve 0.999 AUC değeri ile literatürdeki birçok yöntemin ötesinde sonuçlar sunmuştur. Ayrıca, görüntülerin kırpılması hem sıfırdan öğrenen hem de transfer öğrenme kullanan modellerde genel başarıyı artırmıştır. Bulgular, hem ilgi bölgesine odaklanmanın hem de transfer öğrenmenin tıbbi görüntü sınıflandırmasında önemli avantajlar sağladığını ortaya koymuştur. Bu çalışma, derin öğrenme temelli sistemlerin atelektazi gibi kritik hastalıkların erken teşhisine katkı sunabilecek güvenilir karar destek araçları olarak kullanılabileceğini göstermektedir.