No abstract

Teknolojinin gelişmesiyle birlikte yapay zekâ temelli uygulamalar pek çok alanda destek amaçlı kullanılmaktadır. Sağlık sektörü de bu tür uygulamaların yaygın kullanıldığı alanlardan bir tanesidir. Sağlık sektöründe teknolojik gelişime bağlı olarak meydana gelen bilgi artışı beraberinde radyolojik değerlendirmede uzmanlık gereğini doğurmuştur. Yoğun çalışma saatleri, sağlık kurumlarında her branştan uzmana ulaşılamaması ve özellikle acil patolojilerde erken teşhisin önemi göz önünde bulundurulduğunda hekimlere teşhis sürecinde destek olacak uygulamalara olan ihtiyacın önemi anlaşılmaktadır. Çalışma kapsamında Bilgisayarlı Tomografi (BT) görüntüleri kullanılarak beyin kanamalarının tespitini gerçekleştirmek amacıyla güncel derin öğrenme yöntemlerinden Görsel Geometri Grubu (VGG), Artık Sinir Ağı (ResNet) ve EfficientNet mimarileri yine güncel bir veri kümesi olan PhysioNet’e uygulanmıştır. Modeller doğruluk, kesinlik, hassasiyet ve F1 skor metrikleri kullanılarak hem kendi aralarında hem de literatürdeki çalışmalarla karşılaştırılmıştır. Gerçekleştirilen çalışma ile veri kümesine uygun model seçiminin önemi güncel modeller üzerinden ortaya konulmuştur. EfficientNet-B2 modelinin başarısı hem literatürdeki çalışmalardan hem de makale kapsamında değerlendirilen modellerden yüksek olmuştur. Elde edilen sonuçlar güncel derin öğrenme modellerinin, beyin kanaması teşhisine yardımcı olabilecek potansiyelde olduğunu göstermiştir. Çalışma acil servislerin yükünü çeken pratisyen hekimleri en azından beyin kanamasının varlığı konusunda uyarıp kanama durumunun gözden kaçmamasını sağlaması ve erken teşhisi açısından önem arz etmektedir.

Melonom cilt kanserinin erken evrelerinde yapılan teşhisler, iyileşme prognozuna olan etkilerinden dolayı hayati önem taşımaktadır. Yapılan bu teşhisler büyük oranda cildin görsel değerlendirmesiyle yapılmaktadır. Dolayısıyla, yapılan bu görsel değerlendirme sonucu konulan teşhis çoğunlukla doktorların uzmanlığına bağlı olduğu için, sübjektif bir değerlendirme olmaktadır. Yapılan bu çalışmada, doktorlar tarafından konulan teşhislerdeki doğruluk oranlarını artırmak için cilt görüntülerindeki lezyon bölgelerinin bölütleme işlemi K-ortalama kümeleme algoritması ile yapılmaktadır. Algoritmada, K merkezi sayısı 2 ve 4 değerleri seçilerek sistem test edilmektedir. Test aşamasında özel bir melanom veri seti kullanılmıştır. Elde edilen değerlerin analiz işlemleri, Pik Sinyali Gürültü Oranı (PSNR) ve Korelasyon Katsayısı (CC) metrikleri kullanılarak gerçekleştirilmiştir. Yapılan bu çalışmanın performansı, daha önce tarafımızdan gerçeklenen Canny kenar belirleme ve ortalama kayma algoritmaları ile karşılaştırılarak değerlendirilmiştir. Yapılan bölütleme işleminde, merkez sayısı 4 seçilen K-ortalama kümeleme algoritmasında en yüksek PSNR değeri 17,1591dB olarak tespit edilmiştir. Metrik sonuçlar incelendiğinde, K-ortalama kümeleme algoritmasında merkez sayısı 4 olarak seçildiğinde elde edilen sonuçların daha iyi olduğu gözlemlenmiştir.

BACKGROUND: The article was planned to make the first evaluation in terms of acute subdural hemorrhages, thinking that it can help in appropriate pathologies by tomography interpretation with the artificial intelligence (AI) method, at least in a way to quickly warn the responsible doctor. METHODS: A two-level AI-based hybrid method was developed. The proposed model uses the mask-region convolutional neural network (Mask R-CNN) technique, which is a deep learning model, in the hemorrhagic region’s mask generation stage, and a problem-specific, optimized support vector machines (SVM) technique which is a machine learning model in the binary classification stage. Furthermore, the bee colony algorithm was used for the optimization of SVM algorithms’ parameters. RESULTS: In the first stage, the mean average precision (mAP) value was obtained as 0.754 when the intercept over union (IOU) value was taken as 0.5 with the Mask R-CNN architecture used. At the same time, when a 5-fold cross-validation was applied, the mAP value was obtained 0.736. With the hyperparameter optimization for both Mask R-CNN and the SVM algorithm, the accuracy of the two-level classification process was obtained as 96.36%. Furthermore, final false-negative rate and false-positive rate values were obtained as 6.20%, and 2.57%, respectively. CONCLUSION: With the proposed model, both the detection of hemorrhage and the presentation of the suspicious area to the physician were performed more successfully on two dimensional (2D) images with low cost and high accuracy compared to similar studies and today’s interpretations with telemedicine techniques.

No abstract