ÇEKİŞMELİ ÜRETİCİ AĞLAR İLE BEYİN MR GÖRÜNTÜLERİNİN SENTETİK ÜRETİLMESİ VE DEĞERLENDİRİLMESİ

Abstract

Tıbbi görüntüler ile yapılan yapay zekâ çalışmalarında veri sayısı ve kalitesi çok önemli bir yere sahiptir. Özellikle etik izinlerin alınamaması çalışmaları sekteye uğratmaktadır. Bu çalışmanın da temel amacı sağlık alanında yapılan çalışmalardaki veri sorununa çözüm getirmektir. DCGAN kullanılarak etik izne ihtiyaç duyulmayan sentetik görüntüler üretilerek bu sorunun önüne geçilmektedir. Üretilen sentetik görüntülerin kalitesi ise Frechet Başlangıç Mesafesi (FBM) ve Başlangıç Skoru (BS) ile ölçülerek değerlendirilmektedir. Çalışmada yapılmak istenen eğitim süresinin ve gerçek veri sayısının artışının üretilen sentetik görüntülerin kalitesine olan etkisine bakmaktır. Çalışmada açık kaynaktan alınan beyin tümörü MR görüntülerinden oluşan veri setleri kullanılmıştır. Kullanılan veri setleri 3 sınıftan oluşmaktadır: Gliom tümörü, hipofiz bezi tümörü ve tümörün olmadığı. Çalışma ise iki kısımdan oluşmaktadır: az veri ve çok veri ile yapılan. Her iki çalışmada da sınıflar farklı epoch eğitim süreleri ile eğitilmiş ve her eğitimde FBM ve BS skoru hesaplanmıştır. Sonuç olarak ise veri sayısının ve eğitim süresinin artmasının DCGAN ile üretilen sentetik görüntülerin kalitesini olumlu yönde etkilediği görülmüştür. Sağlık alanında yaşanan veri sorununa sentetik verilerin çözüm olarak kullanılabileceği öngörülmektedir.

The number and quality of data are very important in artificial intelligence studies with medical images. Especially the failure to obtain ethical permissions interrupts the studies. The main purpose of this study is to provide a solution to the data problem in health studies. Using DCGAN, this problem is avoided by producing synthetic images that do not require ethical permission. The quality of the synthetic images is evaluated by measuring the Frechet Inception Distance (FID) and Inception Score (IS). The aim of this study is to investigate the effect of increasing the training time and the number of real data on the quality of the synthetic images produced. The study used datasets consisting of brain tumor MRI images from open source. The datasets used consist of 3 classes: Glioma tumor, pituitary tumor, and no tumor. The study consists of two parts: with little data and with a lot of data. In both studies, the classes were trained with different epoch training times and FID and IS scores were calculated for each training. As a result, it is seen that increasing the number of data and training time positively affects the quality of synthetic images produced with DCGAN. It is predicted that synthetic data can be used as a solution to the data problem in the health field.