BİLGİSAYARLI TOMOGRAFİ İMGELERİNDEN BEYİN KANAMASI TESPİTİ YAPAN DERİN ÖĞRENME TABANLI AKILLI TANI MODELİ

Abstract

Bilgisayarlı Tomografi (BT) imgeleri, uzman hekimlerin hastalarının problemlerini teşhis etmek ve tedavi yöntemi belirleyebilmek için kullandığı başlıca verilerdendir. Travmatik beyin yaralanmaları beyin kanamalarına sebep olabilir ve eğer bu kanamalar en kısa zaman içerisinde ve doğru yaklaşımlarla tedavi edilemezse sakatlıkla veya ölümle sonuçlanabilir. Beyin kanamasını teşhis edip aynı zamanda konumunu belirleyebilmek için sağlık kurumlarındaki mevcut protokol, uzman radyologlar tarafından bilgisayarlı tomografi taramalarının incelenmesi ve yorumlanmasını gerektirmektedir Bu durum, uzman kaynaklı hatalardan oluşabilecek yanlış yorumlar veya bazı ayrıntıların gözden kaçırılmasıyla, hastalar üzerinde geri dönüşü olmayacak hasarların ortaya çıkmasına neden olabilmektedir. Bu amaçla tasarlanan akıllı tanılama modelleri, günümüz sağlık sektöründe özellikle sahadaki sağlık uzmanlarının daha etkili ve doğru teşhis ve tanılama ortaya koymasına yardımcı olabilmek adına çok çeşitli uygulama alanlarında güncel olarak kullanılmaktadır. Bu çalışmada makine öğrenmesinin bir alt dalı olan derin öğrenme yöntemleri araştırılarak bilgisayarlı tomografi imgelerinden beyin kanaması ve kanama bölgesinin tespitinin hızlıca yapılabilmesi amacıyla bir akıllı tanı modelinin geliştirilmesi amaçlanmaktadır. Derin öğrenme algoritmaları özellikle sağlık alanında birçok değişik uygulamada kullanım alanı elde etmiştir. Bu amaçla önerilecek akıllı tanılama modelinde, derin öğrenme algoritmaları arasında özellikle imge bölütleme (segmentasyon) başlığında öne çıkan U-Net mimarisinin kullanımı ve başarım değerlendirmelerinin yapılması planlanmaktadır. Başarım değerlendirmesinin, var olan derin öğrenme modelleri üzerinden karşılaştırmalı olarak da sunulması amaçlanmaktadır.

Traumatic brain injuries can cause brain hemorrhage. If these bleedings are not treated in a short time and with the right treatment methods, they may result in disability or death. At the present time, the protocol applied in health institutions to diagnose and determine the location of cerebral hemorrhage requires the examination and interpretation of computed tomography scans by expert radiologists. This may cause misinterpretation from experts. These misinterpretations made by experts can cause irreversible damage to patients. Intelligent diagnostic models designed for this purpose are currently used in a wide variety of application areas to help today's healthcare experts to diagnose more effectively and quickly.In this study, it is aimed to develop an intelligent diagnosis model in order to quickly detect brain hemorrhage and hemorrhage area from computed tomography images by investigating deep learning methods, which are a sub-branch of machine learning. Deep learning algorithms have gained use in many different applications, especially in the field of health. For this purpose, U-Net Architecture, which provides successful results in medical image processing and segmentation applications in deep learning algorithms, will be used. It is planned to make the performance evaluations of the U-net architecture to be used. It is aimed to present performance evaluation comparatively over existing deep learning models.