Derin öğrenme yöntemi ile beyin görüntülerinde otomatik inme tespiti


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: Büşra UYGUN

Danışman: Ayşe Demirhan

Özet:

İnme, beynin bir bölgesine kan akışının kesilmesi veya beynin bir bölgesinde kanamanın olmasıyla meydana gelir. Hızlı müdahale, beyin hasarının azaltılmasına ve iyileşme şansının artmasına yardımcı olmaktadır. Bu yüzden erken teşhis hastalar için büyük önem taşır. İnme tanısı için klinik değerlendirme önemlidir ancak radyolojik görüntüleme yöntemleri teşhis ve tedavi planlamasında daha önemli bir rol oynar. BT (bilgisayarlı tomografi) taraması, inme tanısında ve hastaların durumunun değerlendirilmesinde sıkça kullanılan bir görüntüleme yöntemidir. BT taraması, beyin dokusundaki kanama bölgelerinin konumunu, büyüklüğünü ve yayılımını belirlemek için değerli bilgiler sağlar. Bu bilgiler ise inmenin ciddiyetinin belirlenmesi ve tedavi planlamasının yapılmasında önemli bir rol oynanır. Yapılan çalışmada Türkiye’de düzenlenen Teknofest yarışması aracılığı ile elde edilen BT görüntüleri kullanılarak inme tespiti, sınıflandırması ve bölütleme için iki farklı senaryo uygulanmıştır. Sınıflandırmada ConvNeXt_Tiny, ResNet50d, EfficientNet_b0 ve ResNeXt101_32x8d modelleri kullanılarak ConvNeXt_Tiny’nin daha iyi sonuç verdiği görülmüş ve sınıflandırma işlemlerinde bu model kullanılmıştır. Bölütleme tespitinde de medikal görüntüler üzerinde başarılı olan MultiResUNet modeli kullanılmıştır. Çalışmada iki farklı senaryo izlenmiştir. Birinci senaryoda BT görüntüleri üzerinde kafatası çıkarma, normalizasyon ve görüntü çoğaltma ön işlemlerinin ardından inme var yok sınıflandırması yapılarak test görüntülerinde %98 başarı elde edilmiştir. İnme bulunan görüntüler üzerinde bölütleme yapılarak test görüntülerinde iskemik inme için %59, hemorajik inme için ise %67 Dice bölütleme başarısı elde edilmiştir. Bölütleme sonrası iskemik ve hemorajik inme sınıflandırmasında %100 başarıya ulaşılmıştır. İkinci senaryoda BT görüntülerde ön işlemler yapılarak inme var-yok, iskemik inme ve hemorajik inme şeklinde üç sınıflı sınıflandırmada test görüntüleri üzerinde %97 başarı elde edilmiştir. Sınıflandırma sonucu inmenin bölütleme için oluşturulan modelde Dice bölütleme başarısı iskemik inme için %78, hemorajik inme için ise %79 olmuştur. Çalışmalarda Python programlama dili ve sınıflandırmada PyTorch kütüphanesi, bölütlemede Tensorflow kütüphanesi ile NVIDIA GeForce RTX 3090 ekran kartı kullanılmıştır.

Anahtar Kelimeler : Beyinde inme, Derin öğrenme, BT, MultiResUNet, ConvNeXt_Tiny