Göğüs röntgeni görüntülerinden zatürre tanısında derin öğrenme tabanlı yaklaşımların performans analizi

Göğüs röntgeni görüntülerinden zatürre tanısı, düşük maliyetli ve yaygın kullanılabilir olması nedeniyle klinik uygulamalarda önemli bir yere sahiptir. Bununla birlikte derin öğrenme tabanlı yöntemlerin yüksek performans elde edebilmesi genellikle büyük miktarda etiketli veriye ihtiyaç duymakta, bu durum ise tıbbi görüntü analizinde önemli bir kısıt oluşturmaktadır. Bu tezde, az etiketli veri koşullarında göğüs röntgeni görüntülerinden zatürre tanısına yönelik derin öğrenme ve geleneksel makine öğrenmesi yaklaşımlarının performansları kapsamlı olarak değerlendirilmiştir. Bu amaçla ConvNeXt-Tiny mimarisi temel alınarak geliştirilen Hibrit Prototip Füzyon Ağı (Hybrid Prototype Fusion Network-HPFN) önerilmiş ve derin öznitelik temsili ile prototip tabanlı benzerlik hesaplaması tek bir karar mekanizmasında birleştirilmiştir. Ayrıca önerilen model; Xception, VGG16 ve ResNet50 mimarileri ile karşılaştırılmış, bunun yanında SIFT, KAZE ve HOG öznitelikleri kullanılarak Destek Vektör Makineleri, Lojistik Regresyon ve Aşırı Gradyan Artırma sınıflandırıcılarından oluşan geleneksel yaklaşımlar da aynı veri seti üzerinde analiz edilmiştir. Tüm deneyler Chest X-Ray (Pneumonia) veri seti kullanılarak gerçekleştirilmiş ve modeller doğruluk, kesinlik, duyarlılık ve F1-Skoru ölçütleri ile değerlendirilmiştir. Deneysel sonuçlar, önerilen HPFN modelinin %96,38 doğruluk, %96,23 kesinlik, %97,95 duyarlılık ve %97,08 F1-Skoru elde ederek hem karşılaştırılan derin öğrenme mimarilerinden hem de geleneksel öznitelik tabanlı yöntemlerden daha başarılı performans sergilediğini göstermiştir. Literatür karşılaştırmaları da önerilen yaklaşımın az etiketli veri koşullarında güvenilir, dengeli ve yüksek doğruluk sağlayan etkili bir bilgisayar destekli tanı yöntemi olduğunu ortaya koymuştur.