Tomografi görüntülerinden akciğer hastalıklarının tespiti amaçlı bir derin öğrenme modelinin geliştirilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: GÖKHAN KARABAĞ
Danışman: Şükrü Özen
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Sağlık Bilgi Sistemleri ülkemizde son yıllarda önemli gelişmeler göstermiştir. Bu göstergeler tıp bilişiminde Hastane Bilgi Yönetim Sistemleri (HBYS), Görüntü Arşivleme ve İletim Sistemi (PACS) ile ivme kazanmıştır. Bir hastanın hastane girişinde taburcu olana kadar tüm süreçleri dijital olarak takip edilmekte olup verilerin önemi yapay zeka çalışmalarında dikkat çekmektedir. Tıbbi görüntüleme yöntemleri üzerinden yapılan radyolojik çıkarımlar teşhis koymada önemli bir basamaktır. Tıbbi görüntüleri iletmek ve arşivleme için ulusal ve uluslararası alanda Görüntü Arşivleme ve İletim Sistemi (PACS) sistemi kullanılmaktadır. Yapılan çalışmada Türkiye'de bulunan bir hastanede Görüntü Arşivleme ve İletim Sisteminde (PACS) yer alan akciğer tomografi görüntü verileri kullanılmıştır. Akciğer üzerinde birden fazla görülen hastalıkların erken teşhisi COVID-19 pandemisi ile büyük öneme sahiptir. Çalışmada akciğer hastalıklarından pnömoni teşhisi için derin öğrenme yöntemleri ile sınıflandırma çalışması yapılmıştır. Yapılan çalışmada pnömoni teşhisinde hasta akciğerler üzerinde görülen bal peteği hücresi ve buzlu cam alanları temel alınmıştır. Görüntü sınıflandırma işleminde evrişimsel sinir ağları kullanılarak özgün bir derin öğrenme modeli kurulmuştur. Evrişimli sinir ağları mimarileri ile aynı veriler üzerinden modeller kurularak oluşturulan derin öğrenme modeli ile karşılaştırılmıştır. Literatürde akciğer x-ray görüntüleri ile akciğer tomografi görüntüleri üzerine yapılan çalışmalar incelenmiştir. Pnömoni ve sağlıklı akciğer tomografi görüntüleri eğitim, test ve validasyon olmak üzere üç sınıfa bölünmüştür. Eğitilen model eğitim verileri üzerinde %98.16, validasyon verileri üzerinde %97.57 ve modelin hiç görmediği test verileri üzerinde %95.19 başarı oranı yakalamıştır.