DERİN ÖĞRENME MİMARİLERİ KULLANILARAK ABDOMEN BÖLGESİ İÇİN HASTALIK TESPİTİ
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: NESLİHAN AYAZ
Danışman: Ayşe Demirhan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Karın bölgesine ait acil bilgisayarlı tomografi (BT) görüntülerinde görülen patolojilerin hızlı ve doğru biçimde saptanması, özellikle acil servis koşullarında klinik karar sürecini doğrudan etkileyen kritik bir gereksinimdir. Bu tür sistemler, acil servis dışında da rutin klinik pratikte radyologlara yardımcı bir tanı destek aracı olarak kullanılabilir ve gözden kaçabilecek bulguların azaltılmasına katkı sağlayabilir. Bu çalışmada, akut kolesistit, akut pankreatit, böbrek/üreter taşı ve abdominal aort anevrizması/diseksiyonu bulgularının BT kesitleri üzerinden otomatik olarak tespiti ve sınıflandırılması için derin öğrenme tabanlı bir nesne tespit yöntemi önerilmektedir. Çalışmada, Teknofest Sağlıkta Yapay Zekâ Yarışması kapsamında yayımlanan veri seti kullanılmıştır. Veri setinin farklı hastaneler, farklı BT cihazları ve farklı çekim protokollerinden kaynaklanan heterojen yapısını azaltmak amacıyla giriş görüntülerine yoğunluk dönüşümü ve pencereleme, gürültü azaltma ve geometrik standardizasyon adımlarını içeren çok aşamalı bir ön işleme hattı uygulanmıştır. Nesne tespiti için YOLOv11 tabanlı mimari ile model eğitilmiş ve başarım hem rastgele görüntü bazlı hem de klinik genellenebilirliği daha iyi temsil eden hasta bazlı veri kullanımı senaryoları altında değerlendirilmiştir. Görüntü bazlı veri kullanımı senaryosunda genel başarım mAP@0.5 değeri 0,94 ve mAP@0.5:0.95 değeri 0,67 olarak elde edilirken, hasta bazlı veri kullanımında bu değerler sırasıyla 0,77 ve 0,44 olarak bulunmuştur. Sınıf bazında en yüksek başarım AAA/AAD sınıfında gözlenmiş; böbrek/üreter taşı sınıfı ise küçük lezyon yapısı ve sınırlı örnek sayısı nedeniyle en zor sınıf olarak öne çıkmıştır. Gerçekçi bir klinik senaryoyu yansıtmak amacıyla hasta bazlı veri kullanımı benimsenmiş ve bu kapsamda mimari EMA, SimAM ve CA dikkat mekanizmaları ile geliştirilmiştir. Bu mimaride dikkat modülleri, omurga üzerindeki C3k2 bloklarına kademeli olarak entegre edilerek modelin özellikle küçük ve düşük kontrastlı patolojilere odaklanma yeteneği artırılmıştır. Geliştirilen model, aynı veri seti üzerinde raporlanan mevcut çalışmalarla karşılaştırıldığında, hasta bazlı değerlendirmede tutarlı ve rekabet edebilir bir performans sergilemiştir. Elde edilen sonuçlar, önerilen yaklaşımın abdominal acil patolojilerin hızlı ön değerlendirilmesi için kullanılabileceğini göstermektedir.Karın bölgesine ait acil bilgisayarlı tomografi (BT) görüntülerinde görülen patolojilerin hızlı ve doğru biçimde saptanması, özellikle acil servis koşullarında klinik karar sürecini doğrudan etkileyen kritik bir gereksinimdir. Bu tür sistemler, acil servis dışında da rutin klinik pratikte radyologlara yardımcı bir tanı destek aracı olarak kullanılabilir ve gözden kaçabilecek bulguların azaltılmasına katkı sağlayabilir. Bu çalışmada, akut kolesistit, akut pankreatit, böbrek/üreter taşı ve abdominal aort anevrizması/diseksiyonu bulgularının BT kesitleri üzerinden otomatik olarak tespiti ve sınıflandırılması için derin öğrenme tabanlı bir nesne tespit yöntemi önerilmektedir. Çalışmada, Teknofest Sağlıkta Yapay Zekâ Yarışması kapsamında yayımlanan veri seti kullanılmıştır. Veri setinin farklı hastaneler, farklı BT cihazları ve farklı çekim protokollerinden kaynaklanan heterojen yapısını azaltmak amacıyla giriş görüntülerine yoğunluk dönüşümü ve pencereleme, gürültü azaltma ve geometrik standardizasyon adımlarını içeren çok aşamalı bir ön işleme hattı uygulanmıştır. Nesne tespiti için YOLOv11 tabanlı mimari ile model eğitilmiş ve başarım hem rastgele görüntü bazlı hem de klinik genellenebilirliği daha iyi temsil eden hasta bazlı veri kullanımı senaryoları altında değerlendirilmiştir. Görüntü bazlı veri kullanımı senaryosunda genel başarım mAP@0.5 değeri 0,94 ve mAP@0.5:0.95 değeri 0,67 olarak elde edilirken, hasta bazlı veri kullanımında bu değerler sırasıyla 0,77 ve 0,44 olarak bulunmuştur. Sınıf bazında en yüksek başarım AAA/AAD sınıfında gözlenmiş; böbrek/üreter taşı sınıfı ise küçük lezyon yapısı ve sınırlı örnek sayısı nedeniyle en zor sınıf olarak öne çıkmıştır. Gerçekçi bir klinik senaryoyu yansıtmak amacıyla hasta bazlı veri kullanımı benimsenmiş ve bu kapsamda mimari EMA, SimAM ve CA dikkat mekanizmaları ile geliştirilmiştir. Bu mimaride dikkat modülleri, omurga üzerindeki C3k2 bloklarına kademeli olarak entegre edilerek modelin özellikle küçük ve düşük kontrastlı patolojilere odaklanma yeteneği artırılmıştır. Geliştirilen model, aynı veri seti üzerinde raporlanan mevcut çalışmalarla karşılaştırıldığında, hasta bazlı değerlendirmede tutarlı ve rekabet edebilir bir performans sergilemiştir. Elde edilen sonuçlar, önerilen yaklaşımın abdominal acil patolojilerin hızlı ön değerlendirilmesi için kullanılabileceğini göstermektedir.