METASEZGİSEL OPTİMİZASYON TEKNİKLERİYLE PES PLANUS TANISI İÇİN DERİN ÖĞRENME ALGORİTMASININ SINIFLANDIRMA PERFORMANSININ ARTTIRILMASI

Abstract

Pes planus, ayak kemerinin normal yapısını kaybederek çökmesiyle ortaya çıkan ve zamanla ağrı, duruş bozukluğu ile yürüme problemlerine yol açabilen bir ayak deformitesidir. Bu çalışma, ayak tabanı görüntülerinden pes planusun otomatik olarak belirlenmesi için derin öğrenme temelli bir sınıflandırma sistemi geliştirmeyi ve bu sistemi metasezgisel algoritmalarla optimize etmeyi amaçlamaktadır. Kullanılan veri seti, 137 normal ve 421 pes planus olmak üzere toplam 558 görüntüden oluşmaktadır. Veri dengesizliğini azaltmak amacıyla, normal sınıfa ait 137 görüntü veri artırma yöntemleriyle çoğaltılmış ve pes planus sınıfına yakın sayıda olacak şekilde genişletilmiştir. İlk aşamada, MobileNetV2 tabanlı transfer öğrenme yaklaşımı kullanılarak temel bir CNN modeli oluşturulmuş ve standart hiperparametrelerle eğitilmiştir. Bu başlangıç modelinin test doğruluğu %83,6 olarak elde edilmiştir. Sonraki aşamada modelin hiperparametreleri genetik algoritma (GA), gri kurt optimizasyonu (GWO) ve parçacık sürü optimizasyonu (PSO) gibi üç farklı metasezgisel algoritmayla optimize edilmiştir. Her bir algoritma ile üretilen hiperparametre kombinasyonları için model yeniden eğitilmiş ve performans sonuçları hesaplanmıştır. Optimizasyon deneyleri sonucunda, GA ile elde edilen CNN modelinin test doğruluğu %89,1, GWO ile optimize edilen modelin doğruluğu %85,9 ve PSO ile optimize edilen modelin doğruluğu %89,8 seviyesine ulaşmıştır. Bu bulgular, veri dengesizliğinin giderilmesinin ve hiperparametre optimizasyonunun sınıflandırma başarımını anlamlı biçimde artırdığını göstermiştir.

Pes planus is a foot deformity that occurs when the arch of the foot collapses, losing its normal structure, and can lead to pain, posture problems, and walking difficulties over time. This study aims to develop a deep learning-based classification system for the automatic detection of pes planus from foot images and to optimize this system using metaheuristic algorithms. The dataset used consists of a total of 558 images, including 137 normal and 421 pes planus images. To reduce data imbalance, the 137 images belonging to the normal class were augmented using data augmentation methods and expanded to a number close to that of the pes planus class. In the first stage, a basic CNN model was created using a MobileNetV2-based transfer learning approach and trained with standard hyperparameters. The test accuracy of this initial model was obtained as 83.6%. In the next stage, the model's hyperparameters were optimized using three different metaheuristic algorithms: genetic algorithm (GA), grey wolf optimization (GWO), and particle swarm optimization (PSO). The model was retrained for each hyperparameter combination generated by each algorithm, and performance results were calculated. As a result of optimization experiments, the test accuracy of the CNN model obtained with GA reached 89.1%, the accuracy of the model optimized with GWO reached 85.9%, and the accuracy of the model optimized with PSO reached 89.8%. These findings show that addressing data imbalance and hyperparameter optimization significantly improved classification performance.