MEDİKAL VERİ SETLERİ İÇİN YENİ BİR AŞIRI ÖĞRENME MAKİNESİ OTOMATİK KODLAYICI TASARIMI

Abstract

Son zamanlarda derin öğrenme mimarilerinde görülen yüksek sınıflama ve tahmin başarımı bu alana ilgiyi artırmıştır. Bilgisayar destekli sistemlerin medikal alanlarda yaygınlaşması hastalık tanısında önem arz etmiş ancak veri miktarı sıkıntısı ön plana çıkmıştır. Hastalık sınıflarını oluşturmak için toplanan veri setlerinin yeterli veri miktarına sahip olmaması ya da dengesiz sınıf dağılımlarına sahip olması kullanılan derin mimarilerin performansı açısından sorun olabilmektedir. Ancak istenen veri seti boyutunu artırma durumu çoğu zaman maliyet, zaman alıcı olması, coğrafi koşullar, ilgili uzmanın veya kullanılacak araç-gerecin bulunamaması, hasta mahremiyeti ve bazı hastalıkların nadir oluşu durumlarıyla mümkün olamamaktadır. Veri çoğullama yaklaşımları bu noktada devreye girmiştir. Bu tez çalışmasında, AÖM-D-OK olarak adlandırılan Dalgacık fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı tabanlı bir veri artırma yöntemi önerilmektedir. Önerilen yöntem duygu tanıma amacıyla EEG sinyallerinden oluşan GAMEEMO veri seti, otizm spektrum bozukluğu tanısı amacıyla EEG sinyallerinden oluşan veri seti, şizofreni tanısı amacıyla EEG veri seti, akciğer hastalıklarını tespit amacıyla akciğer ses dosyalarından oluşan ICBHI solunum sesi veri seti ve akciğer kanser tespiti yapmak için akciğer bilgisayarlı tomografi görüntülerinden oluşan Chest-CT Scan veri seti üzerinde ayrı çalışmalar kapsamında test edilmiştir. Test edilen yöntem, çalışma içerisinde kullanılan orijinal veri seti, bu veri setlerinin çoğullanmış durumları ve diğer yakın tarihli çalışmalarla kıyaslanmıştır. Karşılaştırmalar, önerilen yöntemin karşılaştırılan yöntemlerden daha iyi performans sergilediğini göstermektedir.

The high classification and prediction performance seen in deep learning architectures recently increased the interest in this field. The widespread use of computer aided systems in the medical field has been important in the diagnosis of the disease, but the problem of the amount of data has come to the fore. The fact that the data sets collected to create disease classes do not have enough data or have unbalanced class distributions can be a problem in terms of the performance of the deep architectures used. However, increasing the desired dataset size is often not possible due to cost, time consuming, geographical conditions, unavailability of the relevant specialist or the equipment to be used, patient privacy and the rarity of some diseases. Data augmenting approaches come into play at this point. In this thesis, an Extreme Learning Machine Auto-Encoder-based data augmentation method with Wavelet function, called ELM-W-AE, is proposed. The proposed method is GAMEEMO dataset consisting of EEG signals for emotion recognition, EEG dataset for autism spectrum disorder diagnosis, EEG dataset for schizophrenia diagnosis, ICBHI breath sound dataset consisting of lung sound files for detecting lung diseases, and lung cancer detection for lung cancer detection. It has been tested within the scope of separate studies on a dataset consisting of computed tomography images. The tested method was compared with the original data set used in the study, the augmented states of these data sets and other recent studies. Comparisons show that the proposed method outperforms the compared methods.