MAKİNE DERİN ÖĞRENME İLE BT GÖRÜNTÜLERİ KULLANARAK PULMONER HİPERTANSİYONUN HEMODİNAMİK SINIFLANDIRILMASI

Abstract

Pulmoner hipertansiyon (PH), pulmoner damar yatağında yüksek kan basıncı ile karakterize, yavaş kan akışına ve damar daralması ve sertleşmesine bağlı olarak artan basınca yol açan ilerleyici bir durumdur. PH'nin erken tespiti, kalp yetmezliği gibi komplikasyonları önlemek için çok önemlidir. Bu nedenle, bu çalışma PH'nin erken ve doğru tanısını elde etmek için derin öznitelik çıkarımına dayalı yeni bir otomatik sınıflandırma modeli önermektedir. Bu çalışmada PH tespiti için bilgisayarlı tomografi (BT) görüntüleri topladık ve bu veri seti 807 BT görüntüsü içeriyor. PH tespiti için EfDenseNet adlı yeni bir otomatik sınıflandırma mimarisi geliştirdik ve toplanan verileri kullanarak test ettik. Özellik çıkarıcılar olarak önceden eğitilmiş EfficientNetb0 ve DenseNet201 adlı derin ağ mimarilerini kullandık. Özellik çıkarıcıların performansını artırmak için CT görüntülerini yamalara böldük ve hem yamalardan hem de orijinal görüntüden derin özellikler çıkardık. Her yamadan oluşturulan özellikler birleştirildi. Sunulan EfDenseNet, EfficientNetb0 ve DenseNet201'in özellik çıkarma katmanlarını (tamamen bağlı katman ve küresel ortalama havuzlama katmanları) konuşlandırarak dört özellik vektörü üretir. Özellik vektörlerinden en bilgilendirici özellikleri seçmek için komşu bileşen analizi (NCA), ReliefF ve Ki-Kare (Chi2) kullandık ve sonuçta 45 farklı seçilmiş özellik vektörü elde ettik. Sınıflandırma aşamasında öznitelikleri sınıflandırmak için destek vektör makinesi (SVM) ve k-en yakın komşu (kNN) algoritmalarını kullandık. Son olarak, genelleştirilmiş sınıflandırma sonuçları elde etmek için sınıflandırma sonuçlarına mod işlevine dayalı yinelemeli çoğunluk oylaması uyguladık. Önerilen kendi kendini organize eden EfDenseNet mimarisi, 90 sınıflandırma sonucu ve 178 oylama sonucu üretti. 178 oy arasından en iyi sonucu seçtik ve dört sınıf için de en yüksek sınıflandırma doğruluğunu elde ettik. Ek olarak, k-katlı çapraz doğrulama kullanarak tüm sonuçları doğruladık ve topladığımız yeni PH veri setinde %97,27'lik bir doğruluk elde ederek, önerdiğimiz yöntemin yüksek sınıflandırma performansını gösterdik. Önerilen kendi kendini organize eden EfDenseNet mimarisi, 90 sınıflandırma sonucu ve 178 oylama sonucu üretti. 178 oy arasından en iyi sonucu seçtik ve dört sınıf için de en yüksek sınıflandırma doğruluğunu elde ettik. Ek olarak, k-katlı çapraz doğrulama kullanarak tüm sonuçları doğruladık ve topladığımız yeni PH veri setinde %97,27'lik bir doğruluk elde ederek, önerdiğimiz yöntemin yüksek sınıflandırma performansını gösterdik. Derin öznitelik çıkarımına dayalı önerilen otomatik sınıflandırma modelimiz, yüksek sınıflandırma performansı ile PH'nin doğru ve erken teşhisini sağlamıştır. Bu çalışmanın sonuçları, önerilen kendi kendini organize eden EfDenseNet mimarisinin PH sınıflandırması için umut verici bir yaklaşım olduğunu göstermektedir. Bu çalışmanın sonuçları, invaziv olmayan CTPA verileriyle gelecekte ek risk sınıflandırma göstergeleri sağlayabilir. Ayrıca çalışmamız bize sağ kalp kateterizasyonu için hangi hastaya başvurmamız gerektiği konusunda fikir vermektedir. Anahtar kelimeler: Yapay zeka, pulmoner hipertansiyon, bilgisayarlı tomografi, ortalama pulmoner arter basıncıPulmonary hypertension (PH) is a progressive condition characterized by high blood pressure in the pulmonary vasculature, leading to slow blood flow and increased pressure due to vascular narrowing and stiffening. Early detection of PH is crucial to prevent complications such as heart failure. Therefore, this study proposes a novel automatic classification model based on deep feature extraction to achieve an early and accurate diagnosis of PH. In this study, we collected computed tomography (CT) images for PH detection and this dataset contains 807 CT images. We developed a new automatic classification architecture, called EfDenseNet, for PH detection and tested it using the collected data. We utilized pre-trained deep network architectures, namely EfficientNetb0 and DenseNet201, as feature extractors. To enhance the performance of the feature extractors, we segmented the CT images into patches and extracted deep features from both the patches and the original image. The generated features from each patch have been merged. The presented EfDenseNet generates four feature vectors by deploying the feature extraction layers (fully connected layer and global average pooling layers) of the EfficientNetb0 and DenseNet201. We used neighborhood component analysis (NCA), ReliefF, and Chi-Square (Chi2) to select the most informative features from the feature vectors, resulting in 45 different selected feature vectors. We employed support vector machine (SVM) and k-nearest neighbor (kNN) algorithms to classify the features in the classification phase. Finally, we applied a mode function-based iterative majority voting to the classification results to obtain generalized classification results. The proposed self-organized EfDenseNet architecture produced 90 classification results and 178 voted results. We selected the best result from the 178 votes and achieved the highest classification accuracy for all four classes. In addition, we validated all results using k-fold cross-validation and obtained an accuracy of 97.27% on the new PH dataset we collected, demonstrating our proposed method's high classification performance. Our proposed automatic classification model based on deep feature extraction achieved accurate and early diagnosis of PH with high classification performance. The results of this study suggest that the proposed self-organized EfDenseNet architecture is a promising approach for PH classification. The results of this study may provide additional risk stratification indicators in the future with non-invasive CTPA data. Additionally, our study gives us ideas about which patient to refer to for right heart catheterization. Keywords: Artificial intelligence; pulmonary hypertension; computed tomography; mean pulmonary arterial pressure