Metasezgisel optimizasyon teknikleriyle pes planus tanısı için derin öğrenme algoritmasının sınıflandırma performansının arttırılması

Pes planus, ayak kemerinin normal yapısını kaybederek çökmesiyle ortaya çıkan ve zamanla ağrı, duruş bozukluğu ile yürüme problemlerine yol açabilen bir ayak deformitesidir. Bu çalışma, ayak tabanı görüntülerinden pes planusun otomatik olarak belirlenmesi için derin öğrenme temelli bir sınıflandırma sistemi geliştirmeyi ve bu sistemi metasezgisel algoritmalarla optimize etmeyi amaçlamaktadır. Kullanılan veri seti, 137 normal ve 421 pes planus olmak üzere toplam 558 görüntüden oluşmaktadır. Veri dengesizliğini azaltmak amacıyla, normal sınıfa ait 137 görüntü veri artırma yöntemleriyle çoğaltılmış ve pes planus sınıfına yakın sayıda olacak şekilde genişletilmiştir. İlk aşamada, MobileNetV2 tabanlı transfer öğrenme yaklaşımı kullanılarak temel bir CNN modeli oluşturulmuş ve standart hiperparametrelerle eğitilmiştir. Bu başlangıç modelinin test doğruluğu %83,6 olarak elde edilmiştir. Sonraki aşamada modelin hiperparametreleri genetik algoritma (GA), gri kurt optimizasyonu (GWO) ve parçacık sürü optimizasyonu (PSO) gibi üç farklı metasezgisel algoritmayla optimize edilmiştir. Her bir algoritma ile üretilen hiperparametre kombinasyonları için model yeniden eğitilmiş ve performans sonuçları hesaplanmıştır. Optimizasyon deneyleri sonucunda, GA ile elde edilen CNN modelinin test doğruluğu %89,1, GWO ile optimize edilen modelin doğruluğu %85,9 ve PSO ile optimize edilen modelin doğruluğu %89,8 seviyesine ulaşmıştır. Bu bulgular, veri dengesizliğinin giderilmesinin ve hiperparametre optimizasyonunun sınıflandırma başarımını anlamlı biçimde artırdığını göstermiştir.