Erken ve ortak füzyon stratejileri ile derin ve geleneksel görüntü özelliklerinin entegrasyonuna dayalı diz osteoartriti derecelendirmesi

Diz Osteoartriti (Knee Osteoarthritis - KOA), özellikle ileri yaş grubunda sık görülen ve yaşam kalitesini düşüren kronik bir eklem hastalığıdır. Geleneksel teşhis yöntemlerinin uzman görüşüne dayanması, sübjektif hatalara ve tedavi sürecinde gecikmelere yol açabilmektedir. Bu nedenle, daha güvenilir ve objektif kararlar sunabilen otomatik teşhis sistemlerinin geliştirilmesi büyük önem taşımaktadır. KOA'nın yalnızca varlığını değil, derecesini de doğru şekilde belirlemek, uygun tedavinin zamanında uygulanabilmesi açısından klinik açıdan kritik bir gerekliliktir. Bu tezde, diz osteoartritinin (KOA) derecelerini daha doğru ve kararlı biçimde belirlemek amacıyla, geleneksel ve derin görüntü özelliklerinin erken ve ortak füzyon stratejileriyle birleştirildiği çok bileşenli bir yaklaşım önerilmiştir. X-ışını görüntülerinden elde edilen morfolojik, istatistiksel, GLCM, HOG, LBP, dalgacık, çevre, alan ve Zernike gibi geleneksel özellikler; ResNet-50, VGG16, EfficientNetB0, Xception ve DenseNet201 modellerinden çıkarılan derin temsillerle entegre edilmiştir. Bu özellikler, erken füzyon stratejisinde doğrudan birleştirilmiş, ortak füzyon stratejilerinde ise farklı düzeydeki temsiller dikkate alınarak bütünleştirilmiştir. Böylece KOA dereceleri, KL sistemine göre "sağlıklı", "şüpheli", "hafif", "orta" ve "ağır" olmak üzere beş sınıfa ayrılmış; bu birleşik özellik temsilleri yapay sinir ağı (Artificial Neural Network- ANN) temelli sınıflandırma yapılarında değerlendirilmiştir. Ayrıca, sınıflar arası dengesizliği azaltmak amacıyla veri artırımı ve Sentetik Azınlık Aşırı Örnekleme Tekniği (Synthetic Minority Over-sampling Technique - SMOTE) yöntemi uygulanarak her KOA derecesinin dengeli biçimde temsil edilmesi sağlanmıştır. Önerilen füzyon stratejileri, KOA derecelendirmesinde bilgi temsilini zenginleştirerek sınıflar arasındaki ayrım gücünü artırmıştır. Her füzyon stratejisinde elde edilen en yüksek doğruluk ve F1-skoru değerleri sırasıyla; Erken Füzyon Tip II için %73,56 ve %71,46, Ortak Füzyon Tip I için %83,50 ve %83,15, Ortak Füzyon Tip II için ise %85,39 ve %84,96 olarak kaydedilmiştir. En yüksek başarıya ulaşılan Ortak Füzyon Tip II stratejisinde, doku ve morfoloji temelli geleneksel özelliklerin yanı sıra, VGG16 modelinden elde edilen derin temsillerin KOA derecelerini ayırt etmede etkin rol oynadığı görülmüştür. Bu çok düzeyli bilgi entegrasyonu, özellikle erken ve ileri evre KOA derecelerinin güvenilir şekilde belirlenmesini sağlamış ve klinik kullanıma uygun güçlü bir yapay zeka temelli yaklaşım sunmuştur. Anahtar Kelimeler: Diz Osteoartriti Derecelendirmesi, Geleneksel Görüntü Özellikleri, Derin Öğrenme Tabanlı Özellikler, Özellik Füzyon Stratejileri, Yapay Sinir Ağı Sınıflandırması