Çölyak Hastalığının Teşhis Edilmesi ve Sınıflandırılmasında Yapay Zekâ Algoritmalarının Kullanılması

Abstract

Yüksek bir oranda yaygınlık gösteren çölyak hastalığı (ÇH), tahıllardaki glüten ve diğer tahıl proteinlerine kalıcı bir intolerans olarak gelişen proksimal ince bağırsak hastalığıdır. Teşhis edilmesi en zor hastalıklardan biri olarak kabul edilir. Seroloji testi ve endoskopi sırasında alınan ince bağırsak biyopsilerinin histopatolojik kanıtı tanı için altın standart olmaya devam etmektedir. Bu nedenle, endoskopide bilgisayar destekli teşhis (CAD) sistemleri, hastalığın tanısal doğruluğunu artırmak ve zamandan ve insan gücünden tasarruf etmek için yeni ortaya çıkan bir teknolojidir. Bu çalışmada çölyak hastalığının CAD sistemi için hibrit bir makine öğrenme yöntemi uygulanmıştır. Sunulan CAD sisteminde ilk olarak, görüntüleri bölütlemek için uzamsal bağlam temelli optimal çok düzeyli eşikleme tekniği kullanılmıştır. Daha sonra, görüntüler ayrık dalgacık dönüşümü (DWT) ile alt bantlara ayrıştırılmış ve ayırt edici özellikler ölçekle değişmeyen doku tanımlayıcı ile çıkartılmıştır. Sınıflandırma doğruluğu, duyarlılığı ve özgüllük oranı sırasıyla %94,79, %94,29 ve %95,08 olarak elde edilmiştir. Önerilen modellerin sonuçları, evrişimli sinir ağı (CNN) ve yüksek dereceli spektral (HOS) analizi gibi diğer güncel yöntemlerin sonuçlarıyla karşılaştırılmıştır. Sonuçlar, önerilen hibrit yaklaşımların doğru, hızlı ve kabul edilebilir düzeyde olduğunu göstermiştir.

Celiac disease (CD) is quite common and is a proximal small bowel disease that develops as a permanent intolerance to glüten and other cereal proteins in cereals. It is considered as one of the most difficult diseases to diagnose. Histopathological evidence of small bowel biopsies taken during endoscopy remains the gold standard for diagnosis. Therefore, computer-aided detection (CAD) systems in endoscopy are a newly emerging technology to enhance the diagnostic accuracy of the disease and to save time and manpower. For this reason, a hybrid machine learning methods have been applied for the CAD of celiac disease. Firstly, spatial context-based optimal multilevel thresholding technique was employed to segment the images. Afterwards, images were decomposed into subbands with discrete wavelet transform (DWT), and the distinctive features were extracted with scale invariant texture recognition. Classification accuracy, sensitivity and specificity ratio are 94.79%, 94.29% and 95.08% respectively. The results of the proposed models are compared with the result of other state-of-the-art methods such as convolutional neural network (CNN) and higher order spectral (HOS) analysis. The results demonstrate that the proposed hybrid approaches are accurate, fast and robust.