Medikal veri setleri için yeni bir aşırı öğrenme makinesi otomatik kodlayıcı tasarımı

Son zamanlarda derin öğrenme mimarilerinde görülen yüksek sınıflama ve tahmin başarımı bu alana ilgiyi artırmıştır. Bilgisayar destekli sistemlerin medikal alanlarda yaygınlaşması hastalık tanısında önem arz etmiş ancak veri miktarı sıkıntısı ön plana çıkmıştır. Hastalık sınıflarını oluşturmak için toplanan veri setlerinin yeterli veri miktarına sahip olmaması ya da dengesiz sınıf dağılımlarına sahip olması kullanılan derin mimarilerin performansı açısından sorun olabilmektedir. Ancak istenen veri seti boyutunu artırma durumu çoğu zaman maliyet, zaman alıcı olması, coğrafi koşullar, ilgili uzmanın veya kullanılacak araç-gerecin bulunamaması, hasta mahremiyeti ve bazı hastalıkların nadir oluşu durumlarıyla mümkün olamamaktadır. Veri çoğullama yaklaşımları bu noktada devreye girmiştir. Bu tez çalışmasında, AÖM-D-OK olarak adlandırılan Dalgacık fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı tabanlı bir veri artırma yöntemi önerilmektedir. Önerilen yöntem duygu tanıma amacıyla EEG sinyallerinden oluşan GAMEEMO veri seti, otizm spektrum bozukluğu tanısı amacıyla EEG sinyallerinden oluşan veri seti, şizofreni tanısı amacıyla EEG veri seti, akciğer hastalıklarını tespit amacıyla akciğer ses dosyalarından oluşan ICBHI solunum sesi veri seti ve akciğer kanser tespiti yapmak için akciğer bilgisayarlı tomografi görüntülerinden oluşan Chest-CT Scan veri seti üzerinde ayrı çalışmalar kapsamında test edilmiştir. Test edilen yöntem, çalışma içerisinde kullanılan orijinal veri seti, bu veri setlerinin çoğullanmış durumları ve diğer yakın tarihli çalışmalarla kıyaslanmıştır. Karşılaştırmalar, önerilen yöntemin karşılaştırılan yöntemlerden daha iyi performans sergilediğini göstermektedir.