İnvolüsyonel sinir ağları ile hiperspektral verilerin analizi

Hiperspektral görüntüleme (HSG), bir nesnenin yüzeyini geniş bir elektromanyetik spektrumda inceleyen ve her pikselde spektral bilgi sağlayan güçlü bir görüntüleme tekniğidir. Bu teknoloji, endüstriyel, tarım, çevre ve medikal gibi farklı alanlarda yaygın olarak kullanılmaktadır. HSG'nin farklı alanlarda yaygın olarak kullanılması, verilerin doğru bir şekilde analiz edilmesinin önemini vurgulamaktadır. Ancak, HSG verilerinin analizi ve sınıflandırılması, büyük boyutları ve yüksek hesaplama maliyetleri nedeniyle birçok zorlukla karşılaşmaktadır. Bu zorlukları aşmak ve HSG verilerini etkili bir şekilde analiz edip farklı alanlarda kullanabilmek için hassas ve güvenilir yöntemlere ihtiyaç vardır. İnvolüsyonel Sinir Ağları (İSA) gibi derin öğrenme yöntemleri, HSG verilerinin analizi ve sınıflandırılmasında önemli bir rol oynayabilir. İnvolüsyon, geleneksel konvolüsyon tabanlı modellere göre daha az parametre ve hesaplama maliyeti gerektiren, ancak aynı zamanda etkili bir şekilde spektral-uzamsal bilgileri yakalayan bir yaklaşımdır. İnvolüsyon tabanlı geliştirilen modeller, geleneksel sinir ağı mimarilerinden farklı olarak, girdi verilerini analiz ederken hesaplama maliyetini azaltmak için öz-dikkat mekanizmalarını kullanırlar ve bu da özellikle HSG gibi büyük boyutlu veri setlerinde etkili olmaktadır. Bu doktora tezi, HSG verilerinin analizi için İSA'ların kullanılmasını incelemekte ve bu teknolojinin avantajlarını vurgulamaktadır. Ayrıca, çeşitli çalışmaların sonuçlarına dayanarak, involüsyonun HSG'deki potansiyelini değerlendirmektedir. Bu değerlendirmeler yapılırken uzaktan algılama ve yeryüzü gözlemi alanında yapılan çalışmalar için kamuya açık veri setleri kullanılmıştır. Biyomedikal alanında yapılan çalışmalar için ise TÜBİTAK projesi kapsamında oluşturulan yenidoğan HSG veri koleksiyonu temel alınmıştır. Bu alanlardaki HSG verilerini analiz etmek için involüsyon tabanlı modeller geliştirilmiş ve bu modeller kullanılarak farklı performans ölçütleri ile kapsamlı analizler yapılmıştır. İlk çalışmada, uzaktan algılama ve yeryüzü gözleme alanında kamuya açık Indian Pines (IP), Pavia University (PU), Salinas Scene (SA) ve Kennedy Space Center (KSC) veri setleri kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Bu çalışma, involüsyon kavramını entegre eden benzersiz bir sinir ağı modelinin, Involutional Residual Spectral Network (IRSN), HSG sınıflandırması üzerine odaklanmaktadır. Konvolüsyon tabanlı yöntemlerin hesaplama maliyetini azaltmayı hedefleyen bu model, involüsyon yaklaşımını benimsemiş ve sınıflandırma doğruluğunu artırmış, aynı zamanda hesaplama verimliliği sağlamıştır. Geliştirilen IRSN modeli, deneysel sonuçlara göre, HSG veri setleri için son derece uygun ve performans açısından üstün bir model olarak öne çıkmıştır. Diğer bir çalışmada, yenidoğan sağlık durumunu değerlendirmek amacıyla involüsyon tabanlı HarmonyNet modeli geliştirilmiş ve kapsamlı bir değerlendirme yapılmıştır. 110 hasta ve 110 sağlıklı vakayı içeren HSG veri seti üzerinde gerçekleştirilen değerlendirmeler, HarmonyNet modelinin yüksek doğruluk, güvenilirlik ve düşük hesaplama maliyeti ile önemli bir başarı elde ettiğini göstermektedir. Yapılan analizler, involüsyon tasarımı içerisinde bulunan hiperparametre ayarlarının optimal bir şekilde yapılmasının modelin performansını artırmada kritik öneme sahip olduğunu göstermektedir. Ayrıca, ablasyon çalışması, modelin başarısının farklı özelliklerin sinerjik entegrasyonundan kaynaklandığını doğrulamış ve modelin geniş çapta uygulanabilir olduğunu vurgulamıştır. Farklı bir çalışma, yenidoğan hastalıklarının tespiti için geliştirilen ve içerisinde çok ölçekli bağlamsal yapı ve başlangıç modülü bulunan involüsyon tabanlı MC-I2Net modelinin etkinliğini değerlendirmeyi amaçlamaktadır. Yapılan deneyler ve analizler, MC-I2Net modelinin beş hastalık (Solunum Sıkıntısı Sendromu, Nekrotizan Enterokolit, İntrakraniyal Kanama, Aort Koarktasyonu ve Pnömotoraks) ve bir kontrol grubuna ait 240 HSG veriyi sınıflandırmada önemli bir performans sergilediğini ve diğer konvolüsyon tabanlı modellere kıyasla daha yüksek başarı ölçütlerine ulaştığını göstermektedir. İnvolüsyon tabanlı MC-I2Net, konvolüsyon tabanlı yöntemlere kıyasla daha az parametre ve FLOP değerine sahip olsa da bazı durumlarda çıkarım süresi daha uzun olmuştur. Ancak bu çalışma, optimum performans için belirli parametrelerin doğru seçilmesinin önemini vurgulamıştır. Modelin performansını artırmak için yapılan analizler, başlangıç modülünün ve çok ölçekli bağlamsal yapının rolüne dikkat çekmiştir. Ayrıca, involüsyon tabanlı MC-I2Net'in daha az hesaplama gücü gerektirdiği ve yüksek performansıyla pratik uygulamalar için uygun bir seçenek olduğu vurgulanmıştır. Tez kapsamında gerçekleştirilen başka bir çalışmada, yenidoğan sağlığının teşhisi ve izlenmesi için yeni hibrit bir model önerilmiştir. Geleneksel olarak sadece spektrum verilerini kullanarak yapılan sınıflandırma deneyimlerinin ötesine geçilerek, hemoglobin ve bilirubin gibi kan biyobelirteçlerinin de dahil edilmesiyle daha etkili bir yaklaşım sağlanmıştır. Spektrumları ve kan biyobelirteçlerinin birlikte değerlendirilmesi için içerisinde hem 2B/3B konvolüsyon yapılarının hem de involüsyon yapılarının bulunduğu HybridCISN modeli geliştirilmiştir. Bu çalışmada iki farklı yaklaşım benimsenmiştir. Tek başına spektrumların değerlendirilmesi yaklaşımında sadece HybridCISN modeli kullanılmıştır. Birlikte değerlendirme yaklaşımında ise, spektrum verilerinden HybridCISN içerisindeki konvolüsyon ve involüsyon katmanları ile öznitelikler çıkarılmış ve kan biyobelirteçleri düzleştirme aşamasından sonra modele eklenmiştir. Bu aşamada farklı sınıflayıcılar kullanılmış ve performanslar değerlendirilmiştir. Bu yaklaşım ile spektrumların ve kan biyobelirteçlerinin birlikte değerlendirilmesi sağlanmıştır. İkili sınıflandırma ve çoklu sınıflandırma deneyleri yapılmıştır. Deneysel sonuçlar, spektrum verilerine kan biyobelirteçlerinin eklenmesiyle modelin performansında önemli bir iyileşme olduğunu göstermektedir. Ayrıca, ablasyon analizleri, modelin bileşenlerinin değerlendirilmesinde involüsyon katmanının önemini ortaya koymuş ve modelin performansını artırmak için gelecekte bu katmana odaklanılması gerektiğini göstermiştir. Tezde yer alan 5. çalışmada ise, yenidoğan HSG verilerinin analizi ve sınıflandırması gerçekleştirilmiştir. Bu çalışma, çeşitli boyut indirgeme tekniklerinin değerlendirilmesini hedeflemiştir. İncelenen boyut indirgeme tekniklerinin, HSG veri analizinde önemli bir rol oynadığı ve İSA ile birleştirildiğinde daha etkili sonuçlar elde edildiği belirlenmiştir. Farklı tekniklerin performansı incelenmiş ve Negatif Olmayan Matris Ayrışımı (NOMA) ve Temel Bileşenler Analizi (TBA) gibi tekniklerin farklı sınıf etiketlerine sahip örnekleri doğru bir şekilde tanımlama ve tüm test verilerinde doğru tahminler yapma yeteneği açısından öne çıktığı görülmüştür. Bu çalışma, HSG verilerinin analizi için etkili ve güvenilir boyut indirgeme yöntemlerinin belirlenmesine katkıda bulunmuştur. Bu çalışmalar, HSG verilerinin analizinde İSA'ların kullanımının sağladığı avantajları öne çıkarmaktadır. İSA'lar, geleneksel yöntemlere kıyasla daha az parametre ve hesaplama maliyeti gerektirirken, spektral-uzamsal bilgileri etkili bir şekilde yakalama yeteneğiyle dikkat çekmektedir. Özellikle, bu çalışmalar yenidoğanlar için dünya çapında ilk kez bir yaklaşımın geliştirilmesine öncülük etmiş ve TÜBİTAK projesi kapsamında oluşturulan kapsamlı bir veri koleksiyonunu tanıtmıştır. Yapılan çalışmalar, HSG teknolojisinin, endüstriyel, tarım, çevre ve medikal gibi farklı alanlarda önemli bir araç haline geldiğini ve İSA'ların, HSG verilerinin sınıflandırılması ve analizinde gelişmiş doğruluk ve verimlilik sağladığını göstermektedir. Bu bağlamda, İSA'ların, HSG teknolojisinin potansiyelini daha da artırarak, verilerin daha detaylı ve geniş kapsamlı bir şekilde analiz edilmesine katkı sağladığı görülmektedir. Bu çalışmaların sonuçları, İSA'ların HSG verilerinin analizi için güvenilir ve etkili birer araç olduğunu vurgulamakta ve gelecekteki araştırmalar için önemli bir temel oluşturmaktadır.