Yenidoğan yoğun bakım üniteleri için termal görüntü analizi

Sıcaklık ölçümü günlük yenidoğan bakımı için hayati önem taşımaktadır. Özellikle erken doğan ve çok düşük doğum ağırlığına sahip olan yenidoğanların vücut sıcaklığının sabit tutulması oldukça önemlidir. Dolayısıyla sıcaklığın doğru bir şekilde ölçümü ve sıcaklık değişimlerinin hızlı bir şekilde tespit edilmesi yenidoğan takibi için büyük önem arz etmektedir. Medikal kızılötesi termal görüntüleme teknolojilerinin hızlı gelişimi, sıcaklığın temassız ve doğru bir şekilde ölçülmesine imkân sağlamaktadır. Temassız, iyonize olmayan, non-invazif (cerrahi işlem gerektirmeyen) ve zararsız bir metot olan kızılötesi termal görüntülemenin yenidoğan yoğun bakım ünitesinde kullanılması son zamanlarda önem kazanmıştır. Kızılötesi termal görüntüleme, vücudun yaydığı kızılötesi enerjiyi yakalayarak, organlardan ve dokulardan yayılan sıcaklık dağılımını ölçmek için kullanılan bir görüntüleme tekniğidir. Termal görüntüleme, fizyolojik fonksiyon bozukluklarının lokalize olduğu yerdeki sıcaklık değişimlerinin saptanabilmesine olanak sağlamaktadır. Vücudun sıcaklık dağılımında ortaya çıkan asimetrilerin anormalliklere işaret etmesi, termal görüntüler kullanılarak bir ön-tanı sisteminin geliştirilebileceği fikrini ortaya çıkarmıştır. Bu tez çalışması, termal görüntüleme ile yenidoğanlardan alınan termal görüntülerin sağlıklı-hasta olarak sınıflandırılmasına yönelik gerçekleştirilen çalışmaları içermektedir. Bu tezde kullanılan görüntü koleksiyonu, TÜBİTAK tarafından desteklenen 215E019 numaralı proje kapsamında, Selçuk Üniversitesi Tıp Fakültesi Yenidoğan Yoğun Bakım Ünitesinde bulunan yenidoğan bebeklerden alınan termal görüntüler (vücut sıcaklık haritası görüntüleri) ile oluşturulmuştur. İlk olarak, termal görüntülerde bebeğin vücut bölgesi dışında kalan arka planı (sınıflandırma sonucunu olumsuz etkileyebilecek) çıkarmak için görüntülere segmentasyon işlemi uygulanmıştır. İkinci olarak, segmente edilmiş görüntülere çoklu çözünürlük analizi yöntemleri uygulanarak özellik vektörleri elde edilmiştir. Tezde kullanılan çoklu çözünürlük analizi yöntemleri; Ayrık Dalgacık Dönüşümü (ADD), Ayrık Ridgelet Dönüşümü (ARiD), Curvelet Dönüşümü (CuD) ve Contourlet Dönüşümü (CoD)' dür. Son olarak, elde edilen özellik vektörleri YSA kullanılarak sağlıklı-hasta olarak sınıflandırılmıştır. İlk kez bu tez çalışması ile çoklu çözünürlük analiz yöntemlerinin yenidoğan bebeklerin termal görüntülerinin sağlıklı-hasta olarak sınıflandırılmasındaki performansları değerlendirilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak sunulmuştur. Tez çalışmasının ilk aşamasında, 19 sağlıklı ve 19 hasta yenidoğana ait 190 termal görüntünün sıcaklık haritaları kullanılarak sınıflandırılması işlemi gerçekleştirilmiştir. Segmente edilmiş 190 termal görüntüye çoklu çözünürlük analizi yöntemleri (ADD, ARiD, CuD ve CoD) uygulanarak özellik vektörleri çıkarılmış ve bu özellik vektörleri YSA kullanılarak sağlıklı-hasta olarak sınıflandırılmıştır. En yüksek sınıflandırma başarısı %100 ile ADD, en yüksek hassasiyet oranı %100 ile ADD, ARiD ve CuD, en yüksek özgüllük oranı ise %100 ile ADD kullanılarak elde edilmiştir. Daha sonra, özellik vektörlerinin boyutlarının azaltılabilmesi için çoklu çözünürlük analizi yöntemlerinin uygulanması sonucu elde edilen yaklaşım katsayılarından istatistiki özellikler (ortalama, standart sapma, varyans, çarpıklık katsayısı (skewness), basıklık katsayısı (kurtosis) ve moment) çıkarılarak YSA ile sınıflandırma işlemi gerçekleştirilmiştir. Bu sınıflandırmada termal görüntüler; ADD ile %74.74, ARiD ile %72.11, CuD ile %68.42, CoD ile %71.58 doğrulukla sınıflandırılmıştır. En yüksek hassasiyet oranı %81.05 ile ARiD, en yüksek özgüllük oranı ise %86.32 ile ADD kullanılarak elde edilmiştir. Tez çalışmasının ikinci aşamasında ise yenidoğan bakım ünitesinde kalp hastalığı (AORT Koarkrasyon, Pulmoner atreti) teşhisi konulmuş 14 hasta ve 29 sağlıklı prematüre (PRM) bebeğin RGB (kırmızı-yeşil-mavi) renk uzayına sahip termal görüntüleri kullanılmıştır. ADD, ARiD, CuD ve CoD uygulanarak özellik vektörleri çıkarılmış ve bu özellik vektörlerinin YSA kullanılarak sağlıklı-hasta olarak sınıflandırılması gerçekleştirilmiştir. Sınıflandırma sonucunda; ADD ile %81.40, ARiD ile %74.42, CuD ile %72.09 ve CoD ile %74.42 başarı sağlanmıştır. En yüksek hassasiyet oranı %57.14 ile CuD, en yüksek özgüllük oranı ise %100 ile ADD kullanılarak elde edilmiştir. Çıkan sınıflandırma sonuçlarına göre kullanılan termal görüntülerin sayısının yetersiz olduğu düşünülmüş ve bu nedenle ikinci bir sınıflandırma işlemi gerçekleştirilmiştir. Bu sınıflandırma işleminde ilk olarak, termal görüntülerin sayısının sentetik olarak artırılması için veri artırma yöntemi kullanılmıştır. 43 termal görüntü üzerinde veri artırma yöntemi uygulanarak her bir görüntüden 5 farklı görüntü daha elde edilmiştir. Böylece görüntü koleksiyonu 43 termal görüntüden 258 termal görüntüye artırılmıştır. Gerçekleştirilen sınıflandırma işleminde termal görüntüler; ADD ile %90.7, ARiD ile %90.7, CuD ile %91.09, CoD ile %91.09 doğrulukla sınıflandırılmıştır. En yüksek hassasiyet oranı %86.91 ile ADD, en yüksek özgüllük oranı ise %94.25 ile CuD kullanılarak elde edilmiştir. Sonuç olarak veri artırma yöntemi uygulanarak gerçekleştirilen sınıflandırmada daha yüksek doğruluk, hassasiyet ve özgüllük oranlarına ulaşılabildiği görülmüştür.