İris görüntüleri kullanılarak makine öğrenmesi ile koroner arter hastalığının tespiti

Koroner Arter Hastalığı (KAH), kalp kaslarını besleyen koroner arter damarların daralması ya da tıkanması ile kan akışının sınırlanması sonucunda ortaya çıkmaktadır. En yaygın ve en yüksek ölüm oranına sahip kalp hastalığıdır. KAH'ın erken teşhisi hastalığın ilerlemesini önleyebilmekte ve tedavi sürecini kolaylaştırmaktadır. Bu tez çalışmasında, iris görüntüleri kullanılarak KAH'ın invaziv olmayan teşhisi için iris analizi ve makine öğrenmesi tabanlı bir yöntem önerilmiştir. İris analizi görüntü işleme yöntemleri ile iridolojinin harmanlanmasını içermektedir. Çalışmada KAH tahmini için hasta grubunda 155 ve hasta olmayan kontrol grubunda 126 gönüllü yer almaktadır. Toplamda 281 gönüllüye ait göz görüntüleri ve biyodemografik veriler Giresun Üniversitesi Eğitim-Araştırma Hastanesi Kardiyoloji Polikliniği'ndeki uzman hekimlerin yönlendirmeleri ile alınmıştır. Tez çalışmasında iris ve biyodemografik öznitelikler olmak üzere iki farklı öznitelik grubu yer almaktadır. İris özniteliklerinin çıkarılmasına ait süreçler görüntü işleme teknikleri ile gerçekleştirilmiştir. Bu süreç, göz görüntüleri içerisinden iris konumlarının tespit edilmesi için İntegral-Diferansiyel operatörü yöntemi kullanılarak başlamaktadır. Bu yöntem ile iç ve dış sınırları belirlenen iris Rubber Sheet tekniği ile dikdörtgen formata dönüştürülerek standardize edilmiştir. Jensen iridoloji haritası referans alınarak iristeki kalp bölgesi kırpılmış ve analiz bölgesi elde edilmiştir. Analiz bölgesine adaptif histogram eşitleme ile görüntü iyileştirme yapılmıştır. Öznitelik çıkarma işlemi için analiz bölgesine 2 seviye dalgacık dönüşümü uygulanmış ve 8 alt bileşene beş adet birinci dereceden istatistiksel, 22 adet Gri Seviye Birlikte Oluşum Matrisi (Gray Level Co-Occurrence Matrix, GLCM) ve 7 adet Gri Seviye Koşu Uzunluğu Matrisi (Gray Level Run Length Matrix, GLRLM) öznitelikleri elde edilmiştir. Her alt bileşen için 34 öznitelik olmak üzere toplamda 272 öznitelik çıkarılmıştır. Relieff öznitelik seçme yöntemi ile en iyi öznitelikler belirlenerek beş farklı makine öğrenmesi sınıflandırıcısı ile sınıflandırma gerçekleştirilmiştir. Elde edilen öznitelikler Relieff öznitelik seçme algoritması ile belirlenen iyi özniteliklere göre sınıflandırma sürecine aktarılmıştır. Naive Bayes (NB), Karar Ağaçları (Decision Trees, DT), k-En Yakın Komşu (k-Nearest Neighbors, k-NN), Destek Vektör Makineleri (Support Vector Machine, SVM) ve Yapay Sinir Ağları (Artificial Neural Networks, ANN) olmak üzere beş farklı sınıflandırıcı ailesi kullanılarak sınıflandırma aşaması gerçekleştirilmiştir. 10 katlı çapraz doğrulama ile test verilerine ait performans değerlendirmeleri de doğruluk, duyarlılık, özgüllük, kesinlik, F1 ölçütü ve AUC metriklerine göre yapılmıştır. Sadece iris parametreleri ile performans ölçümü gerçekleştirildiği gibi iris özniteliklerine gönüllülere ait fizyolojik parametrelerin eklenmesi ile de analizler tekrardan yapılmıştır. Bu çalışmada yapılan tüm analizler MATLAB programlama dili kullanılarak gerçekleştirilmiştir. Önerilen yöntemde, iris analizleri sonucunda Doğrusal SVM yöntemine ait modelde %94.05 ile en yüksek değer elde edilmiştir. SVM'yi %92.86 ile ANN, %89.29 ile NB, %88.1 ile DT ve son olarak da %86.9 ile k-NN sınıflandırıcısı izlemektedir. SVM yöntemi özgüllük, kesinlik ve F1 ölçütü metriklerinde de sırasıyla %92.31, %93.48 ve %94.51 ile en iyi sonucu vermiştir. Duyarlılık metriğinde %100 ile k-NN en iyi sınıflandırıcı olurken ANN'ye ait modelde AUC değeri %97.01 ile en başarılı model olmuştur. İris ve biyodemografik verilerin birlikte yer aldığı analiz sonucunda ise metrik değerlerinin arttığı gözlemlenmiştir. Doğruluk metriği yine SVM modelinde %95.24'e yükselmiştir. SVM modelinde özgüllük, kesinlik, F1 ölçütü ve AUC metriklerinde de sırasıyla %94.87, %95.56, %95.56 ve %98.12 ile en iyi sonucu vermiştir. Duyarlılık metriğinde %100 ile k-NN yine en iyi sınıflandırıcı olmuştur. Bu çalışmada, yeni bir model geliştirilmiş ve yaygın bir kardiyovasküler durum olan KAH tespiti bağlamında performansı değerlendirilmiştir. Önerilen model, daha önce KAH tespiti için kullanılmış olan mevcut modellerle karşılaştırılmıştır. Karşılaştırma sonuçları, önerilen modelin KAH tespitindeki başarı oranı açısından mevcut modellerden daha iyi performans gösterdiğini ortaya koymuştur. Bu bulgular, önerilen modelin KAH'ı doğru bir şekilde tespit etmedeki etkinliğini ve üstünlüğünü göstermekte, böylece bu alandaki önceki çalışmaların aksine kapsamlı ve başarılı yapısını ortaya koymaktadır.