YAPAY ZEKA YÖNTEMLERİ KULLANILARAK İSKEMİK İNME ALT TİPLERİNİN BELİRLENMESİ

Abstract

Dünya çapında milyonlarca insanın her yıl inme geçirdiği bilinmektedir. İnme, aynı zamanda insanların hayatını kaybetmesine ve fiziksel sorunlar yaşamasına neden olabilmektedir. İnme aniden gerçekleşen bir hastalık tipi olduğu için hızlı müdahale edilmesi gerekmektedir. İnme lezyonunun tespiti için biyomedikal görüntü yöntemleri kullanılarak nöroloji veya radyoloji uzman hekimleri tarafından yapılmaktadır. Hastanelerde görüntü çekiminin fazla olması ve uzman hekim sayısının az olması ve el yardımı ile bölütlenmenin yapılması zaman alıcı bir süreç olduğu için inme teşhisinin sürecinin uzamasına neden olabilmektedir.Difüzyon MR Görüntüleme(MRG) görüntü tekniğini kullanarak Piramidal ve Sabit Boyutlu Yama Tabanlı Özellik Mühendisliği Modeli(PFP-FE) olarak adlandırdığımız model ile iskemik inmenin tespit sürecinin kısaltılması için bir model önerdik. İskemik inme tespit ve sınıflandırılması için önerdiğimiz PFP-FE modelinin doğruluğu için 3673 Difüzyon MRG içeren yeni bir veri seti oluşturduk. Önerilen modelin doğruluk oranı %87,56 olarak hesaplanmıştır.

Millions of people worldwide are known to have a stroke every year. Stroke can also can also cause people to lose their lives and experience physical problems. Since stroke is a type of disease that occurs suddenly,rapid intervention is required. Stroke lesion detection is performed by neurology or radiology specialists using biomedical imaging methods. The high number of image acquisition in hospitals and the low number of specialist physicians and manuel segmentation is a time-consuming process and may prolong the process of stroke diagnosis. Using Diffusion MR Imaging(MRI) image technique, we proposed a model for shortening the detection process of ischemic stroke with a model we call Pyramidal and Fixed Dimensional Patch Based Feature Engineering Model(PFP-FE). For the accuracy of our proposed PFP-FE model for ischemic stroke detection and classification, we created a new dataset containing 3673 Diffusion MRIs. The accuracy rate of the proposed model was calculated as 87.56%