Treffer: Mikrotomografi verileri üzerinde makine öğrenmesi yöntemleri ile görüntü analizi

Görüntü segmentasyonu alanında derin öğrenme modellerinin kullanılması, başta tıp alanı olmak üzere birçok alanda uzmanlara zamandan ve maliyetten tasarruf sağladığından dolayı sürekli geliştirilmesi büyük önem taşımaktadır. Günümüzdeki medikal alanda kaydedilen verilerin artışıyla beraber doktorların ve araştırmacıların derin öğrenme modelleriyle tasarlanan doğru tanı uygulamalarına olan beklentileri artmaktadır. Bu sebeple; sağlık alanındaki yenilikçi uygulamaların, çeşitli zorlukların üstesinden gelerek geliştirilmesi ve yaygınlaştırılması gerekmektedir. Bu tez çalışması iki aşamadan oluşmaktadır. İlk aşamada, derin öğrenme modellerinde kapsamlı bir analiz yapabilmek için, temin edilen özgün veri setinin yanı sıra herkesin erişimine açık olan PH2, BOWL 2018 ve CVC-ClinicDB tıbbi veri setleri kullanılmıştır. Bu açık erişimli veri setleri değişen görüntü içerik bilgileri ve segmentasyon görevlerinde farklı zorluk seviyelerine sahip olmaları nedeniyle tercih edilmiştir. Derin öğrenme modellerinden olan U-Net bu alandaki başarısından dolayı birçok çalışmaya ilham kaynağı olmuştur. Bu nedenle, yapılan tez çalışmasının ilk aşamasında; U-Net, U-Net++, Attention U-Net, Residual U-Net, Residual Attention U-Net, TransUNet, Swin-Unet derin öğrenme modelleri kullanılmış ve bu çalışma için modifiye edilen Self Attention U-Net ve önerilen MMIAU-Net (Mixed Modified Inception and Self Attention U-Net) mimarisi ile elde edilen performanslar karşılaştırılmıştır. Bu aşamada çalışmanın tüm deneysel sonuçları incelendiğinde; segmentasyon işleminde, önerilen MMIAU-Net mimarisinin PH2 veri setinde %90,18 IoU %94,83 dice katsayısı, BOWL 2018 veri setinde %83,23 IoU %90,82 dice katsayısı, CVC-ClinicDB veri setinde %86,05 IoU %92,41 dice katsayısı ve özgün veri setinde ise %90,51 IoU ve %94,68 dice katsayısı ile en yüksek başarıya ulaştığı görülmüştür. Tez çalışmasının ikinci aşamasında ise önerilen MMIAU-Net modeli ile özgün veri seti üzerinden analizler yapılmıştır. Ftalatların kemik sağlığına olan zararını gösterebilmek için MMIAU-Net modeli mikrotomografi görüntülerinde eğitildikten sonra ağırlıklar kaydedilmiş ve kontrol grubu, DBP grubu ile DEHP grubunun kemik kütleleri hesaplanmıştır. Elde edilen sonuçlarla ftalat maddelerinin kemik kütlesine olan zarar oranları ortaya konulmuştur.