Hdaru-net tabanlı derin öğrenme yaklaşımın tıbbi görüntülerdeki performansı: Adenoid hipertrofisi ve cilt lezyonları üzerine bir inceleme

Cilt lezyonları ve adenoid hipertrofisi (AH) gibi tıbbi hastalıkların doğru şekilde segmentasyonu ve adenoid hipertrofisinin sınıflandırılması, hasta bakımında kritik bir rol oynamaktadır. Ancak, manuel görüntü analizi ve görsel inceleme gibi geleneksel teşhis yöntemleri, teşhis doğruluğunu sınırlayan önemli zorluklar barındırmaktadır. Bu geleneksel teknikler, genellikle uzmanlar tarafından endoskopi veya radyografik değerlendirme yoluyla gerçekleştirildiğinden, zaman alıcı olmasının yanı sıra insan hatasına açık bir yapı sergilemektedir. Bu durum, teşhis gecikmelerine, tekrarlayan muayenelere ve uzman katılımının gerekliliğiyle birlikte artan maliyetlere yol açmaktadır. Son yıllarda, yapay zeka (YZ) ve derin öğrenme (DÖ) alanındaki gelişmeler, özellikle tıbbi görüntü analizinde teşhis verimliliğini artırabilecek otomatik yaklaşımlar sunmuştur. Ancak, geleneksel derin öğrenme modelleri, görüntülerdeki gürültü, lezyon görünümündeki çeşitlilik ve düzensiz kontrast gibi karmaşık değişkenliklerle başa çıkmada hâlâ yetersiz kalabilmektedir. Bu çalışma, segmentasyon için Hibrit Dense Attention Residual (HDARU-Net) modeli ve sınıflandırma için ensemble derin öğrenme tabanlı sınıflandırma modellerini içeren derin öğrenme yaklaşımlarını uygulayarak bu sınırlamaları aşmayı hedeflemektedir. Batman Eğitim ve Araştırma Hastanesi'nden elde edilen benzersiz bir adenoid veri seti ile International Skin Image Collabration (ISIC) cilt lezyonu veri setini kullanarak, HDARU-Net modelinin performansını, U-Net, U-Net++ ve SegNet gibi derin öğrenme tabanlı segmentasyon modelleri ile karşılaştırmalı olarak incelemektedir. Çalışmada önerilen HDARU-Net modeli, tıbbi görüntülerde ilgili bölgelerin daha hassas bir şekilde sınırlandırılmasına olanak tanımakta, bu durumun daha güvenilir teşhis ve hasta vakalarında tutarlılığın sağlanması açısından kritik öneme sahiptir. Sonuçlar, segmentasyonun sınıflandırma görevleriyle entegrasyonunun, özellikle karmaşık cilt lezyonları ve adenoid hipertrofisi vakaları için tanısal doğruluğu önemli ölçüde artırdığını göstermektedir. Bu çalışma, HDARU-Net modelinin yalnızca teşhis süresini azaltmakla kalmayıp aynı zamanda manuel analiz gerektiren tekrarlayan işlemleri minimize ederek ekonomik maliyetleri de düşürdüğünü ortaya koymaktadır. Elde edilen bulgular, klinik ortamlarda teşhis sürecini hızlandırma, zamanında tıbbi müdahaleyi destekleme ve hasta sonuçlarını iyileştirme açısından önemli etkilere sahiptir. Bu tez çalışmasında, YZ tabanlı tıbbi teşhis alanına katkı sağlayarak, diğer karmaşık tıbbi hastalıkların teşhisinde de otomatikleştirebilecek sağlam bir çerçeve sunmaktadır.