SAYISAL VERİ VE GÖĞÜS RÖNTGEN GÖRÜNTÜLERİNDEN DERİN ÖĞRENME YAKLAŞIMLARI İLE PNÖMONİ TESPİTİ

Abstract

Pnömoni, dünya çapında tüm yaş gruplarında yüksek morbidite ve mortaliteye sahip akciğer enfeksiyonudur. Pnömoniye bağlı ölümleri azaltmak ve iyileşme oranlarını artırmak için hastalığın erken evrelerde etkili bir şekilde tespit edilmesi çok önemlidir. Pnömoniyi tanımlamak için fizik muayene, laboratuvar testleri, klinik semptomlar ve çeşitli tıbbi görüntüleme yöntemleri gibi teknikler kullanılmaktadır. Diğer akciğer hastalıklarının pnömoniye benzer semptomlar göstermesi ve görüntüleme bulgularının spesifik olmaması nedeniyle pnömoni tanısının belirlenmesi zaman alıcı ve hataya açıktır. Hastalıkların erken teşhisinde uzmanlara yardımcı olmak için derin öğrenme tabanlı yöntemlerin benimsenmesi, pnömoni teşhisi de dahil tıbbi uygulamalarda doğru ve verimli tanı yöntemi olarak etkili sonuçlar elde etmektedir. Bu tez çalışmasının amacı derin öğrenme metotları kullanılarak sayısal veriler ve göğüs röntgen (CXR) görüntülerinden pnömoni hastalığını teşhis etmektir. 2000 kişiye ait (1000 pnömoni,1000 sağlıklı) demografik özellikler, semptomlar ve laboratuvar test sonuç bilgilerinden oluşturulan sayısal tıbbi veri kümesine makine öğrenimi ve derin öğrenme algoritmaları uygulanmıştır. Aynı kişilere ait CXR görüntüleri de derin öğrenme tabanlı yöntemlerle sınıflandırılmıştır. Sayısal verilerin ve CXR görüntülerinin sınıflandırma sonuçları karşılaştırılmıştır. Çalışmanın verileri Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesi ve göğüs polikliniğine başvuran hastaların dosyalarının retrospektif olarak taranmasıyla oluşturulmuştur. Bu çalışmanın amaçlarından biri de pahalı ekipman ve yüksek eğitimli klinisyen eksikliğinin olduğu yerlerde uzmanlara yardımcı olacak derin öğrenme tabanlı bilgisayar destekli otomatik tespit sistemiyle pnömoninin çok yönlü teşhisini geliştirmek ve iyileştirmektir. Bu tez çalışması kapsamında elde edilen sonuçlar diğer çalışmalarla karşılaştırıldığında önerilen yöntemlerin mevcut literatüre katkısı olduğu ve iyi performans gösterdiği tespit edilmiştir.

Pneumonia is a lung infection with high morbidity and mortality in all age groups worldwide. Effective detection of the disease in the early stages is crucial to reduce pneumonia-related deaths and increase cure rates. Techniques such as physical examination, laboratory tests, clinical symptoms and various medical imaging methods are used to identify pneumonia. Because other lung diseases present similar symptoms to pneumonia and imaging findings are non-specific, the diagnosis of pneumonia is time-consuming and error-prone. The adoption of deep learning-based methods to assist experts in the early diagnosis of diseases is achieving effective results as an accurate and efficient diagnostic method in medical applications, including pneumonia diagnosis. The aim of this thesis is to diagnose pneumonia from numerical data and chest X-ray (CXR) images using deep learning methods. Machine learning and deep learning algorithms were applied to a numerical medical dataset of 2000 individuals (1000 pneumonia, 1000 healthy) with demographic characteristics, symptoms and laboratory test results. CXR images of the same individuals were also classified using deep learning-based methods. The classification results of the numerical data and CXR images were compared. The data of the study were collected by retrospectively reviewing the files of patients admitted to the Chest Diseases and Tuberculosis clinic, intensive care unit and chest outpatient clinic of Dicle University Faculty of Medicine. One of the aims of this study is to develop and improve the multidimensional diagnosis of pneumonia with a deep learning-based computer-aided automated detection system that will help experts where there is a lack of expensive equipment and highly trained clinicians. When the results obtained in this thesis are compared with other studies, it is found that the proposed methods contribute to the existing literature and perform well.