Evrişimsel sinir ağı kullanılarak göğüs radyografilerinde yüksek başarımlı bölütleme yapılması ve pnömoni tespitine etkisinin incelenmesi

Zatürre diğer adıyla pnömoni bakteriyel veya viral enfeksiyonun neden olduğu yaşamı tehdit eden akciğer hastalığıdır. Bu nedenle, hastalığın erken teşhisi ölüm oranını önemli derecede azaltmaktadır. Göğüs röntgenleri (radyografi) hastalığın teşhisinde büyük öneme sahiptir. Pnömoni teşhisinde sağlık alanındaki çalışmalar dışında, mühendislik alanında da birçok çalışma yapılmakta ve teşhis sürecini hızlandırma konusunda kolaylıklar sağlamaktadır. Bu uygulamalardan biri de derin öğrenme yöntemleri ile hastalığı teşhis etmektir. Çalışmada, Python programlama dilinde Tensorflow Kütüphanesi ve erişime açık veri setlerinden yararlanılmıştır. Veri seti olarak içinde 1-5 yaş arası çocukların göğüs röntgenlerinin bulunduğu Veriseti-1 ve bu veri setinden bir kısım görüntülerin işaretli verilerinin de bulunduğu Veriseti-2 kullanılmıştır. İki aşamalı evrişimsel sinir ağı modeli oluşturulmuştur. İlk aşamada, akciğer bölgesi işaretlenmiş Veriseti-2 üzerinde değiştirilmiş U-Net mimarisi kullanılarak bölütlemesi yapılacak Veriseti-1 görüntüleri için model oluşturulmuştur. Ayrıca çalışmanın son kısmında göğüs kafesi bölgesini tespit edebilecek bir yaklaşım önerilmiştir. Oluşturulan model Veriseti-1'de kullanılarak bölütleme yapılmıştır. Bölütleme doğruluğu (accuracy) % 98.98 olarak hesaplanmıştır. Tasarlanan evrişimsel sinir ağı modeli Veriseti-2'ye uygulanmış ve pnömoni tespitinde test doğruluk (accuracy) değeri %98.55 olarak elde edilmiştir.

Pneumonia, also known as pneumonia, is a life-threatening lung disease caused by a bacterial or viral infection. Therefore, early diagnosis of the disease significantly reduces the mortality rate. Chest X-rays are of great importance in the diagnosis of the disease. Apart from the studies in the field of health in the diagnosis of pneumonia, many studies are carried out in the field of engineering and provide convenience in accelerating the diagnosis process. One of these applications is to diagnose the disease with Deep Learning methods. Tensorflow Library on Python programming language and open access datasets were used in the study. Dataset-1, which contains chest x-rays of children aged 1-5, and Dataset – 2, which also contains the marked data of some images from this dataset, were used as dataset. A two-stage Convolutional Neural Network model was created. In the first stage, a model was created for dataset-1 images to be segmented using modified U-Net architecture on Dataset – 2 with marked lung region. Segmentation was done by using the created model in Dataset – 1. In addition, an approach that can detect the thorax region is proposed int the last part of study. Segmentation accuracy was calculated as 98.98%. The designed Convolutional Neural Network model was applied to the dataset-2, and the test accuracy in detecting pneumonia was 98.55%.