Öz Tıbbi görüntülerin yorumlanarak hasta ve hastalık hakkında önemli veriler elde edilmesi zaman ve emek açısından oldukça maliyetlidir. Tıbbi görüntülerin yapay zekâ yöntemleri ile analiz edilmesi sayesinde hastalık tespitinin yapılması, sınıflandırılması ve bunların otomatikleştirilmesi uzmanların iş yükünü azaltmaktadır. Bu çalışmada, 2018 Data Science Bowl veri setinden elde edilen tıbbi görüntülerdeki çekirdeklerin tespitinin otomatikleştirilmesi yapılmaktadır. 2018 Data Science Bowl, çekirdek tespitinin otomatikleştirilmesi amacıyla bir yarışma için bir araya getirilmiş tıbbi görüntülerden oluşmaktadır. Bu veri seti içerisinde 670 adet eğitim görüntüsü ve bunlara ait maske görüntüleri ile 65 adet test görüntüsü yer almaktadır. Test görüntülerine ait maske görüntüleri olmadığı için çalışma, eğitim görüntülerinin %10'unun doğrulama verisi olarak ayrılarak bu veriler üzerinden yapılmaktadır. Çalışmada, çekirdek tespitinin otomatikleştirilmesinde U-Net Evrişimli Sinir Ağı kullanılıp en yüksek doğruluk ve en düşük hata oranının elde edilmesi amaçlanmıştır. Çekirdek tespitindeki doğruluk oranının arttırılması ve hata oranının minimize edilmesi amaçlandığı için, yapılan deneysel çalışmalar iki bölüme ayrılmaktadır. İlk olarak Adam optimizasyonu ve belirli hiper parametreler kullanılmakta, ikinci bölümde ise sonuçların en iyilenmesi için hiper parametre optimizasyonu yapılmaktadır. Hiper parametre optimizasyonu için Izgara Arama yöntemi tercih edilmiştir. Deneysel çalışmaların ilk aşamasında doğrulama verileri için elde edilen doğruluk oranı 0.9675 olarak bulunmuştur. Hiper parametre optimizasyonu yapıldıktan sonra ise doğrulama verileri için en iyi iki sonuç sırası ile 0.9698 ve 0.9739 olarak bulunmuştur. Son olarak, en iyi sonucu veren 0.9739 oranı için belirlenen hiper parametreler Stokastik Gradyan İniş, RMSProp ve AdaDelta optimizasyon yöntemleri için de denenmiştir. Bu sayede optimizasyon yöntemlerin kıyaslaması da yapılmış ve en iyi sonucu veren optimizasyon yönteminin Adam optimizasyonu olduğu belirlenmiştir.
This work is licensed under Creative Commons Attribution-NonCommercial 4.0 International License ÖZ Günümüzde yapay zekânın kullanıldığı alanlar her geçen gün artmakta olup, bu alanlardan biri de sağlık sektörüdür. Özellikle görüntü işlemede oldukça başarılı sonuçlar vermesi sebebi ile yapay zekânın bir alt dalı olan derin öğrenme, tıbbi görüntülerin işlenmesinde ve yorumlanmasında sıkça tercih edilmektedir. Her ne kadar tıbbi görüntüleme teknolojilerinin gelişmesi ile hastalık tanısı ve teşhisi gibi işlemlerdeki doğruluk oranı artsa da bu görüntülerin uzmanlar tarafından doğru bir şekilde yorumlanması zaman açısından maliyetli ve tedavi süreci açısından da olumsuz bir durum sergilemektedir. Bu sebeple, yapay zekâ kullanılarak otomatik tanı sistemleri oluşturulmakta ve bu sistemler gelişen teknoloji ve algoritmalar sayesinde her geçen gün ilerleme kat etmektedir. Çalışmanın amacı, tıbbi görüntülemede yapay zekâ kullanımı konusunda tüm bileşenlerin ele alınarak bilgi verilmesi ve bu alanda çalışma yapacak araştırmacılara bir temel teşkil edecek bir alt yapı oluşturmaktır. Bunun sağlanması için yapay zekâ ve tıbbi görüntüleme konusu öncelikle ayrı bir şekilde ele alınmış, tıbbi görüntüleme teknolojileri kapsamlı bir şekilde anlatılmış ve tıbbi görüntülemede yapay zekâ kullanımının mevcut durumu, geleceği, sorunları ve çözümleri açık bir şekilde belirtilmiştir. Son olarak yapay zekâ teknikleri ile tıbbi görüntülerin işlenmesine dair çalışmalar verilerek çalışmanın teorik anlam bütünlüğü sağlanmıştır. Anahtar kelimeler: Tıbbi görüntüleme teknolojileri, Yapay zekâ, Bilgisayar destekli tanı sistemleri ABSTRACT Nowadays, the use of artificial intelligence is increasing steadily, particularly in the health sector. Deep learning, which is a sub-branch of artificial intelligence, is frequently preferred in the processing and interpretation of medical images, because it provides fruitful outcomes in image processing. Despite the development in medical imaging technologies and the increasing accuracy rate of disease diagnosis, accurate interpretation of these images by experts is time consuming, and unfavorable conditions may arise during treatment. For this reason, automated diagnostic systems are created using artificial intelligence, and these systems are improving gradually, owing to the evolution of several technologies and algorithms. This study aimed to provide information on the use of artificial intelligence in medical imaging with due consideration of all factors and create a base infrastructure for researchers in this field. To achieve this, previously artificial intelligence and medical imaging were discussed separately, placing more emphasis on medical imaging technologies. However, at present, potential problems and solutions in the use of artificial intelligence in medical imaging are clearly stated. In conclusion, by conducting more studies on the processing of medical images using artificial intelligence, the theoretical integrity of this field will become possible.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.