Tıbbi görüntü analizi ve işlemede derin öğrenme modelleri

Sağlık hizmeti sağlayan kurumlar günlük olarak farklı yapılarda ve kaynaklarda heterojen bir büyük veri üretmektedir bu duruma bağlı olarak geleneksel yöntemler ile bu yapıdaki verileri anlamlandırabilmek ve yönetilebilme öngörüsü azalabilmektedir. Makine öğrenmesi ve derin öğrenme yöntemleriyle bu tür verilerin yönetilebilmesi ve yorumlanabilmesi ve analiz edilebilmesinde güçlü bir araç olarak ortaya çıkmaktadır. Hastalığın doğru teşhisi ve görüntü verilerinde analizin doğru yapılabilmesi ve öngörüde uygun görsel verinin elde edilmesi ve yorumlanmasına bağlıdır. Radyolojik görüntü alma cihazları son yıllarda önemli ölçüde iyileşmiştir. Çalışmada ele alınan meme kanseri vakalarında tedavi amaçlı kullanılan bir tedavi yöntemi olan NAC kemoterapi ile hastalardaki tedaviye yanıtın, patolojik ve radyolojik alanlarda hastalığın gelişim sürecnin tahminlenmesi hedeflenmiştir. Gelişen X-Ray teknolojisiyle ve MRI taramaları ile yüksek çözünürlüklü radyolojik görüntüler elde edilebilmektedir fakat görüntü yorumlamanın otomatize edilmesi ve faydaları henüz yeni elde edilmeye başlanmıştır. Sağlık sektöründe sıklıkla kullanılan MRI görüntüleri aracılığıyla NAC tedavi sonrası tümör durumu için CNN ve VGG tabanlı önerilen modellerin sınıflandırma performansları detaylı olarak değerlendirilmiştir. Evrişimli katman sayısı, veri seti kalitesi, eğitim sırasında modelin başarısını etkileyebilecek ana kriterler değerlendirilmiştir. Güçlü özellik temsili gücü sunabildiğinden derin sinir ağlarından CNN modelleri temel alınarak oluşturulan nesne algılama metotlarında çalışmada önerilen YOLO modeli ile algılama hızı daha yüksek bir sonuç elde edilmiştir. Radyolojik görüntü analizi için sunulan arayüz ile, hastanın prognoz takibi ile doğru teşhis ve tedavi yönteminin belirlenmesinde patolojik test sonuçları, radyolojik görüntülerin derin öğrenme yöntemleriyle yorumlanması klinisyenlere büyük ölçüde çözüm sağlamaktadır.