Optimize derin öğrenme mimarileri ile diz kireçlenme derece tespiti

Kronik dejeneratif bir eklem rahatsızlığı olan osteoartrit (OA), vücudun farklı bölgelerinde çeşitli nedenlerle ortaya çıkabilmektedir. En yaygın hastalık türü olan diz OA, hem halk sağlığı üzerinde olumsuz bir etkiye hem de sosyal ekonomi üzerinde ciddi bir yüke neden olmakta ve röntgen görüntülerinde derecelendirilmesi zorlu bir konu teşkil etmektedir. Bu sorunu ele almak için, tez çalışmasının ana amacını oluşturan optimize edilmiş transfer öğrenme tabanlı modeller hem çoklu hem de ikili kategorizasyon görevleri üzerinde kapsamlı bir şekilde incelenmektedir. Transfer öğrenme modellerinin hiperparametre düzenlemesi, ayrık ve sürekli bir optimizasyon problemi olarak ele alınmakta ve bu rekabetçi – nonlineer polinomal problemi verimli bir şekilde çözmek için gelişmiş optimizasyon yöntemleri karşılaştırılmaktadır. X-ray diz OA görüntülerini sınıflandırmak için dört etkili optimizasyon yöntemi (ASPSO, KDA-PSO, KYA, MSGO) ve dört etkin transfer öğrenme modeli (MobileNetV2, ResNet18, ResNet50, ShuffleNet) kullanılarak on altı optimize edilmiş mimari tasarlanmıştır. Hem ikili hem de çok sınıflı kategorizasyonlar üzerine yapılan deneylere göre MSGO algoritmasının yüksek performans sağladığı ve transfer öğrenme tabanlı modellerin hiperparametre ayarlaması için en kararlı yöntem olduğu görülmüştür. Ayrıca MobileNetV2 ve ResNet tabanlı modellerin, artık blokların kullanımı sayesinde yüksek doğruluk oranları elde edebildiği ve X-ray görüntüleme temelli sınıflandırma için daha uygun olduğu tespit edilmiştir. Sonuç olarak; ResNet50-MSGO ve MobileNetV2-KYA mimarileri ortalama doğruluk temelli değerlendirmelere göre çoklu sınıflama için sırasıyla %93,15 ve %93,29 başarı kaydederken, ResNet18-KDA-PSO ve MobileNetV2-MSGO mimarileri ikili sınıflama için en yüksek doğruluk skorunu (%99,43) sağlamışlardır.