Sıfır atış öğrenme ve ontolojiyi kullanarak hastalık tanımada yeni bir yaklaşım

Açık görüntü veri setlerinin son zamanlarda artmasına rağmen hala sınırlıdır. Bu nedenle, bu veri setleri ve etiketlerle hastalık tespiti/tanıması, tıbbi görüntüleme alanında çok maliyetli ve zor bir iştir. Bu nedenle, bu sorunla ilgili araştırmaların hala geliştirilmesi gerekmektedir. Veri setlerini çeşitlendirmek en büyük zorluktur ve öznellik sorunuyla yüzleşmek zorundadır. Bu sorunun üstesinden gelmek için örneği olmayan sınıflar, bir diğer ifadeyle görünmeyen sınıflar Sıfır-Atış Öğrenme (ZSL) ile eğitilebilir. Bu tezde, sınıf gömmeleri için yardımcı bilgi olarak ontolojiyi kullanarak ZSL'yi güçlendirme amaçlanmıştır. Görüntü gömmeleri ve sınıf gömmelerinin eşlendiği mevcut ZSL yöntemlerinde kullanılan prosedürlere ek olarak, sınıf gömmelerinin semantik verileri de dikkate alınmıştır. Önerilen yaklaşımda ZSL, çok etiketli ChestX-ray14 veri setinin görüntü gömmeleri ve sınıf gömmelerinin yanı sıra DBpedia'dan gelen semantik verilerle desteklenmektedir. Benzerlikleri maksimize etmek için Kosinüs, Hamming ve Öklid mesafeleri dikkate alınmıştır. Veri setini genişletmek için klasik ve evrişimsel sinir ağları kullanılmış ve her biri ile testler yapılarak kesinlik değeri yükseltilmeye çalışılmıştır. ResNet50 sinir ağı çok etiketli ChestX-ray14 veri seti üzerinde farklı parametrelerle eğitilmiştir. Birebir eşleştirmede en yüksek %29,59 kesinlik değeri ve en az bir eşleştirmede %45,73 kesinlik değeri elde edilmiştir. Sıfır-atış öğrenme literatüründe yer alan çalışmalardaki başarım oranlarına göre yüksek bir başarım oranına sahip olan bu sonuçlarla beraber bu tez çalışmasının görünmeyen hastalık tespit edilerek/tanınarak tıbbi görüntü alanına önemli bir katkı sağlayacağı düşünülmektedir.