AUTISM DETECTION FROM FACIAL IMAGES USING DEEP LEARNING METHODS

Abstract

Otizm spektrum bozukluğu (OSB), davranışsal ve gelişimsel sorunların ve zorlukların bir koleksiyonunu ifade eder. Otizm spektrum bozukluğu olan bir çocuğun bilişsel, iletişim ve oyun becerilerinin tümü etkilenir. Otizm spektrum bozukluğundaki "spektrum" tanımı, her çocuğun özel olduğu ve diğer çocuklardan farklı olarak kendine özgü özelliklere sahip olduğu gerçeğini ifade eder. Ona kendi eylemlerine ilişkin kendi anlayışının yanı sıra benzersiz bir sosyal bağ için bir araya gelir. Tıbbi görüntü sınıflandırması, hastalıkları tespit etmek ve teşhis etmek için hem araştırmacılar hem de klinisyenler arasında ilgi çeken önemli bir araştırma alanıdır. Tıp alanında tıbbi teşhis, deney amaçları ve analiz konularını ele alır. Hastalarda hastalıkların nasıl geliştiğini anlamak ve öğrenmek, doktorlara patolojinin erken teşhisinde yardımcı olmak için bir dizi derin öğrenme tabanlı tıbbi görüntüleme uygulaması önerilmiş ve geliştirilmiştir. Tıbbi görüntülerin sınıflandırılmasında, iyi bir doğruluk oranı elde etmek ana amaç değildir. Bu çalışmada, önceden eğitilmiş evrişimsel sinir ağlarını ve transfer öğrenmeyi kullandık. Önceden eğitilmiş evrişimsel sinir mimarileri, ağı eğitmek ve tıbbi görüntüleri sınıflandırmak için kullanılmaktadır. Bu çalışmanın deney sonuçları, önerilen modelin, transfer öğrenmeye dayalı Destek Vektör Makinesi (DVM) ile MobileNet modeli kullanılarak elde edilen en iyi yüzde 98,83 doğrulukla OSB tespit edebildiğini göstermektedir. Bu çalışmada test edilen mimariler, ek verilerle test edilmeye hazırdır ve OSB'li bireyleri ön tanı için kullanılabilir. Bu çalışmada öznitelik seçimi ve sınıflandırma için derin öğrenme yöntemlerinin kullanılması, gelecekteki otizm çalışmalarını büyük ölçüde destekleyebilir.Autism spectrum disorder (ASD) refers to a collection of behavioral and developmental issues and difficulties. The cognitive, communication, and play skills of a child with autism spectrum disorder are all affected. The description "spectrum" in autism spectrum disorder refers to the fact that each child is special and has their own set of characteristics different from other children. These come together to give him a unique social bond as well as his own understanding of his own actions. Medical image classification is a significant research field that is gaining traction among researchers and clinicians alike to detect and diagnose diseases. It addresses the issue of medical diagnosis, experiment purposes and analysis in the field of medicine. Several deep learning-based medical imaging applications have been proposed and developed to understand and learn about how diseases develop in patients, to help doctors in early diagnosis of pathology. Not only is achieving good accuracy in classifying medical images the main purpose alone. We used pre- trained CNN and transfer learning in this study. These CNNs pre-trained architectures are used to train the network and to classify medical images. The experimental results of this study show that the model based on transfer learning (Support Vector Machine + MobileNet) can detect Autism Spectrum Disorder at the best rate with 98.83% accuracy. The architectures that were tested in this study are ready to be tested with additional data and can be used to prescreen individuals with ASD. The use of deep learning methods for feature selection and classification in this study could greatly support future autism studies.