YAPAY ZEKA İLE RADYOLOJİK GÖRÜNTÜLERDEN ABDOMİNAL AORT ANEVRİZMASI TESPİTİ

Abstract

Yapay zeka, tıbbi görüntülemede giderek artan önemiyle sağlık alanında devrim yaratmıştır. Bu tez çalışması, Abdominal Aort Anevrizması (AAA) tespitinde yapay zeka yöntemlerinin etkili bir şekilde kullanılmasını incelemek amacıyla hazırlanmıştır. AAA, erken teşhis edilmediğinde ölümcül sonuçlara yol açabilen bir rahatsızlıktır. Çalışmanın temel hipotezi, radyolojik görüntülerin yapay zeka tabanlı analizleri ile AAA'nın daha hızlı ve doğru bir şekilde tespit edilebileceği varsayımına dayanmaktadır. Tezde, hastalığın teşhisinde kullanılan bilgisayarlı tomografi (BT) görüntülerinden elde edilen veri setleri işlenmiş ve Convolutional Neural Network (CNN) tabanlı derin öğrenme modelleri uygulanmıştır. Veri ön işleme aşamasında, gürültü azaltma, kontrast iyileştirme ve özellik çıkarımı gibi adımlar gerçekleştirilmiştir. Eğitim ve test süreçlerinde kullanılan modeller, hassasiyet, özgüllük ve doğruluk oranları açısından analiz edilmiştir. Bulgular, önerilen yapay zeka modellerinin, geleneksel yöntemlere kıyasla daha yüksek başarı oranları sunduğunu göstermiştir. Bu çalışma, yapay zeka teknolojilerinin radyolojik görüntüleme süreçlerinde kullanılabilirliğini vurgulamakta ve bu alandaki bilimsel bilgi birikimine katkı sağlamayı amaçlamaktadır. Ayrıca, tıbbi teşhislerde zaman ve maliyet tasarrufu sağlayarak hasta sonuçlarını iyileştirme potansiyeline sahiptir.

Artificial intelligence has revolutionized the healthcare field with its growing importance in medical imaging. This thesis focuses on the effective use of artificial intelligence methods for detecting Abdominal Aortic Aneurysm (AAA). AAA is a critical condition that can lead to fatal outcomes if not diagnosed early. The primary hypothesis of the study is that AI-based analyses of radiological images can enable faster and more accurate detection of AAA. In the thesis, datasets derived from computed tomography (CT) scans were processed, and Convolutional Neural Network (CNN)-based deep learning models were applied. During the preprocessing phase, noise reduction, contrast enhancement, and feature extraction steps were performed. The trained models were evaluated for sensitivity, specificity, and accuracy during the training and testing phases. The findings revealed that the proposed AI models offered higher success rates compared to traditional methods. This study emphasizes the usability of AI technologies in radiological imaging and aims to contribute to the scientific knowledge in this field. Moreover, it has the potential to improve patient outcomes by saving time and reducing costs in medical diagnoses.