Yeni doğan bebeklerin termal görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması

Yeni doğan bebeklerin hastalıklarının erken teşhis edilmesi ve tedavi süreçlerinin izlenmesi sağlık durumlarının korunması bakımından büyük önem taşımaktadır. Termal görüntüleme iyonize olmayan, zararlı radyasyon içermeyen ve temassız bir görüntüleme tekniği olarak yeni doğan bebeklerin görüntülenmesinde on yıllardır kullanılmaktadır. Vücudun termal simetri dengesi temel alınarak gerçekleştirilen bu çalışmalar incelendiğinde klasik görüntü işleme tekniklerinin uygulandığı görülmektedir. Bu teknikler görüntü ön işleme (yeniden boyutlandırma, gri seviyeye dönüşüm), görüntü iyileştirme (gürültü giderme, histogram eşitleme), manuel ilgi alanı (İA) seçimi ve İA' da meydana gelen değişimlerin izlenmesidir. Probleme dayalı olarak geliştirilen bir algoritma bu teknikler kullanılarak başarılı sonuçlar elde edebilir fakat görüntüleme esnasında meydana gelebilecek her türlü durumun algoritmada tanımlanması gerekmektedir. Örneğin bebekler kuvöz içerisinde hareket ettiğinden dolayı oluşturulan İA' nın bu hareketlere bağlı olarak şekil değiştirmesi, yeniden eşleşmesi ve izlemeye devam etmesi gerekmektedir. Bütün olasılıklar hesaba katıldığında işlem yükünün artacağı buna bağlı olarak da gerçek zamanlı uygulamalardan uzaklaşılacağı görülmektedir. Çok katmanlı algılayıcılar, evrişimli sinir ağları ve çekişmeli üretici ağlar gibi derin öğrenme yöntemlerinin gelişmesi ile birlikte görüntü sınıflandırma ve görüntü üretme gibi işlemler görüntüden öğrenme felsefesi esas alınarak gerçekleştirilmektedir. Böylece her duruma karşılık gelen bir kod dizini oluşturmak yerine her durumu ifade eden görüntüler bulunması yeterli olmaktadır. Bu tez kapsamında Selçuk Üniversitesi, Tıp Fakültesi, Yeni Doğan Yoğun Bakım Ünitesinde tedavi gören 40 bebeğe ait termal görüntüler hem makine öğrenimi ve derin öğrenme yöntemleri kullanılarak sınıflandırılmış hem de termal görüntülerin yeniden üretilmesi gerçekleştirilmiştir. Burada derin öğrenme yöntemlerinin eğitilmesi için binlerce görüntüye ihtiyaç duyulmaktadır ancak medikal alanda böyle bir görüntü setinin oluşturulması çok uzun süreler alacağından görüntülerin artırılması için veri artırımı yöntemleri kullanılmıştır. Sonuçlar 10 – katlamalı çapraz doğrulama tekniğine göre elde edilmiş ve çeşitli değerlendirme kriterleri (karmaşıklık matrisi, özgüllük, doğruluk, hassasiyet, alıcı işlem karakteristiği, eğri altında kalan alan, yapısal benzerlik indeksi ve tepe sinyal gürültü oranı) ile değerlendirilmiştir. Çalışmalar arasında en iyi sınıflama sonucu evrişimli sinir ağları ve veri artırımı kullanılarak % 99.85 hassasiyet, % 99.82 özgüllük ve % 99.84 doğruluk değeri ile elde edilmiştir. Bu sonuçlar derin öğrenme yöntemlerinin termal görüntülerin sınıflandırılmasında oldukça başarılı olduğunu göstermektedir.