Tıbbi görüntü analizi ve işlemede derin öğrenme modelleri = Deep learning models on medical image analysis and processing

Abstract

ağlık hizmeti sağlayan kurumlar günlük olarak farklı yapılarda ve kaynaklarda heterojen bir büyük veri üretmektedir bu duruma bağlı olarak geleneksel yöntemler ile bu yapıdaki verileri anlamlandırabilmek ve yönetilebilme öngörüsü azalabilmektedir. Makine öğrenmesi ve derin öğrenme yöntemleriyle bu tür verilerin yönetilebilmesi ve yorumlanabilmesi ve analiz edilebilmesinde güçlü bir araç olarak ortaya çıkmaktadır. Hastalığın doğru teşhisi ve görüntü verilerinde analizin doğru yapılabilmesi ve öngörüde uygun görsel verinin elde edilmesi ve yorumlanmasına bağlıdır. Radyolojik görüntü alma cihazları son yıllarda önemli ölçüde iyileşmiştir. Çalışmada ele alınan meme kanseri vakalarında tedavi amaçlı kullanılan bir tedavi yöntemi olan NAC kemoterapi ile hastalardaki tedaviye yanıtın, patolojik ve radyolojik alanlarda hastalığın gelişim sürecnin tahminlenmesi hedeflenmiştir. Gelişen X-Ray teknolojisiyle ve MRI taramaları ile yüksek çözünürlüklü radyolojik görüntüler elde edilebilmektedir fakat görüntü yorumlamanın otomatize edilmesi ve faydaları henüz yeni elde edilmeye başlanmıştır. Sağlık sektöründe sıklıkla kullanılan MRI görüntüleri aracılığıyla NAC tedavi sonrası tümör durumu için CNN ve VGG tabanlı önerilen modellerin sınıflandırma performansları detaylı olarak değerlendirilmiştir. Evrişimli katman sayısı, veri seti kalitesi, eğitim sırasında modelin başarısını etkileyebilecek ana kriterler değerlendirilmiştir. Güçlü özellik temsili gücü sunabildiğinden derin sinir ağlarından CNN modelleri temel alınarak oluşturulan nesne algılama metotlarında çalışmada önerilen YOLO modeli ile algılama hızı daha yüksek bir sonuç elde edilmiştir. Radyolojik görüntü analizi için sunulan arayüz ile, hastanın prognoz takibi ile doğru teşhis ve tedavi yönteminin belirlenmesinde patolojik test sonuçları, radyolojik görüntülerin derin öğrenme yöntemleriyle yorumlanması klinisyenlere büyük ölçüde çözüm sağlamaktadır.

Health care institutions produce extensive heterogeneous data in different structures and sources daily; depending on this situation, with traditional methods, the foresight of interpreting and managing data in this structure can be reduced. It emerges as a powerful tool for managing, interpreting, and analyzing such data with machine learning and deep learning methods. The correct diagnosis of the disease depends on the correct analysis of the image data and the acquisition and interpretation of the appropriate visual data in the prediction. Radiological imaging devices have improved significantly in recent years. NAC chemotherapy, a treatment method for breast cancer cases discussed in the study, aims to predict patients' response to treatment and the disease's development process in pathological and radiological areas. With the developing X-Ray technology and MRI scans, high-resolution radiological images can be obtained. However, the automation and benefits of image interpretation have only just begun to be obtained. Classification performances of CNN and VGG-based proposed models for tumor status after NAC treatment has been evaluated in detail through MRI images, which are frequently used in the healthcare industry. The number of convolutional layers, data set quality, and the main criteria affecting the model's success during training have been evaluated. Since it can provide strong feature representation power, a higher detection rate has obtained with the YOLO model proposed in the study in object detection methods based on CNN models from deep neural networks. A user interface provided for radiological image analysis, pathological test results and interpretation of radiological images with deep learning methods provide clinicians with a solution in determining the correct diagnosis and treatment method with the prognosis follow-up of the patient.