Göğüs kafesi röntgen görüntülerinde derin öğrenme metoduyla zatürre hastalığının tanısı

Abstract

Bu çalışmada göğüs kafesi radyografik görüntüleri kullanılarak ilk olarak pnömoni (zatürre) ve sağlıklı olmak üzere ikili sınıflama yapılarak hastalığın varlığı tespit edilmeye çalışılmıştır. Buna ek olarak ise aynı veri kümesi üzerinden zatürrenin iki farklı çeşidi olan bakteriyel ve viral zatürre sınıfları da kullanılarak, sağlıklı, viral zatürre ve bakteriyel zatürre olmak üzere üçlü sınıflama yapılarak incelenen görüntünün hangi sınıfa ait olduğu tespit edilmeye çalışılmıştır. Her iki çalışmada da iki farklı derin öğrenme metodu kullanılmıştır. Bunlar Evrişimsel Sinir Ağları (ESA) ve Topluluk Öğrenimi modelidir. Bu çalışma için Topluluk Öğrenimi modeli üç farklı ağı içeren bir modeldir. Bu ağlar iki farklı ESA modeli ve öğrenme aktarımı yoluyla kullanılan Inception-V3’tür. Topluluk Öğrenimi modelinde her ağ ayrı ayrı eğitildikten sonra çoğunluk oylaması yöntemiyle incelenen görüntünün sınıfına karar verilir. İkili sınıflamada kullanılan veri kümesi normal ve zatürre olmak üzere iki ayrı sınıf etiketi içermektedir. Üçlü sınıflama için ise zatürre olarak etiketlenen görüntüler dikkatli incelendiğinde bu sınıfın da kendi içinde ikiye ayrıldığı görülmüştür. Bunlar virus zatürre ve bakteriyel zatürredir. Zatürre sınıfı da bunlar dikkate alınarak ikiye ayrılmış ve toplamda normal, virüs zatürre ve bakteriyel zatürre olmak üzere üç sınıf içeren bir veri kümesi elde edilmiştir. Kullanılan veri kümesi sınıflar üzerinde dengeli bir dağılıma sahip olmadığı için eğitilen modelin, görüntü sayısı fazla olan sınıfa doğru eğilimini engellemek amacıyla her iki sınıflama türü için de kullanılan sınıflar Smote metoduyla dengelenmiştir. Smote metodu bir aşırı örnekleme algoritmasıdır. Bu yöntemle görüntü sayıları, çoğunluğu içeren sınıf baz alınarak sentetik veriler üretimiyle dengelenir. Smote metodu uygulanmadan önce veri kümesi eğitim ve test kümelerine ayrılır.