Abstract:
Bilimsel çalışmalarda 200'den fazla kanser türünün insanları etkilediği ifade
edilmektedir. Söz konusu bilinen kanser türleri arasında en ölümcül olanı akciğer
kanseridir. Akciğer kanserini, semptom ve bulguların takip edilmesiyle teşhis ve
tedavi etmek oldukça önemlidir. Ancak hastalığın hangi aşamada olduğuna, örneğin
hastalığın başka organlara da yayılma durumuna bağlı olarak, semptomlarda
farklılıklar görülebilir. Fakat hastalığa ilişkin herhangi bir semptom
görülmediğinde, elde edilmiş bir bulgu olmadığı için hekimler tarafından yapılan
fiziksel muayene esnasında hastalık gözden kaçırılabilmektedir. Dolayısıyla bu gibi
durumların yaşanmaması için hastalığın tanısında Manyetik Rezonans Görüntüleme
(MR), Bilgisayarlı Tomografi (BT) vb. tekniklerin kullanılmasıyla akciğer
bölgesinin detaylı görüntülenmesi çok önemlidir.
Bu yöntemler sayesinde her yıl yüz binlerce canın kurtarılabilmesi amacıyla kanser
hastalığı erken safhada saptanabilmektedir. Fakat söz konusu bu yüz binlerce
hastaya ait taramaların analiz edilmesi radyologlar açısından zaman ve yoğun emek
gerektiren ciddi bir iş yüküdür. Çok sayıda radyoloğun bu ciddi iş yükünün neden
olduğu gözlemci yorgunluğu sebebiyle performansları da olumsuz şekilde
etkilenmektedir. Dolayısıyla BT taramalarının daha verimli şekilde okunarak
saptanması ve değerlendirilmesi amacıyla bir sisteme gereksinim duyulmaktadır.
Bu tez kapsamında bu gereksinimden hareketle; %80‟i eğitim, %10‟u test ve geriye
kalan %10‟u ise doğrulama için kullanılmak üzere Kanser Arşiv Merkezi (KAM)
merkezinden alınan 639598 BT görüntüsü üzerinde Derin Öğrenme (DÖ) ve
Öğrenme Aktarımı (ÖA) yöntemlerine dayalı işlemler yapılarak 4K-ESA ve BNN
4K-ESA modelleri geliştirilmiştir. Geliştirilen 4K-ESA modelinin geleneksel
modellerden (AlexNet, MobileNet vb.) önemli farkı; 4 katmanlı olması sebebiyle
bilgisayara fazla yük getirmemesi ve seyreltme tekniği yerine DropWeights
tekniğini kullanmasıdır. Çünkü geleneksel modeller çok katmanlı ve çok
parametreli yapılara sahip olmaları sebebiyle yanlış hata oranlıları oldukça yüksek
olan modellerdir. Bu tez çalışması kapsamında geliştirilen 4K-ESA modeli
geleneksel yöntemlerin (ImageNet gibi) aksine, BT görüntülerini işlemeye uygun
ince ayarlar yapılarak hazırlanması ve fazla yük ve parametrelerden arındırılmış
olması sebebiyle sadece bir konuya yönelerek veriyi 00:03:21sn gibi bir sürede
işleyebilmektedir. 4K-ESA üzerine Uncertainty of Quantification (UQ)
eklenmesiyle oluşturulan Bayes Ağları (BNN) 4K-ESA modeli sayesinde ise 4K ESA modelinden elde edilen sonuçlar güven ölçeğine tabi tutulmaktadır.
Geliştirilen modeller sırasıyla; ön işleme, sınıflandırma, belirsizlik ölçeğinin
uygulanması ve karar verme olmak üzere temel olarak dört adımdan oluşmaktadır.
Ön işleme adımından elde edilen sonuçlara göre; verilerin mini-paket şeklinde
xviii
verilmesinin bütün modellerin performanslarını olumlu yönde etkilediği
kanıtlanmıştır. Sınıflandırma adımından elde edilen sonuçlar sayesinde; modellere
girdi olarak verilen BT görüntülerinin kanserli olup olmadığı, kanserli ise bunun iyi
mi yoksa kötü huylu mu oldukları belirlenmiştir. Belirsizlik ölçeğinin uygulanması
adımından elde edilen sonuçlarla; çalıştırılan modeller arasında en iyi sonuç veren
modelin, parametre sayıları geleneksel modellere göre daha düşük olan 4K-ESA
modeli olduğu görülmüştür. Karar verme aşamasından elde edilen sonuçlara göre
ise; UQ eklenmeden yapılan deneyler neticesinde 4K-ESA modellinin Matthews
correlation coefficient (MCC) değeri 0.988, F2 skoru 0.816, doğruluk oranı 0.971,
özgüllük 0.825, hassasiyet 0.974 olarak hesaplanmıştır. F1 skoru 0.962; UQ
eklenerek yapılan deneyler neticesinde de BNN 4K-ESA MC modellinin MCC
değeri 0.98, F2 skoru 0.88, doğruluk oranı 0.98, özgüllük 0.94, hassasiyet 0.97 ve
F1 skoru 0,96 olarak bulunmuştur. Ayrıca çalışmadan elde edilen bulgulara dayalı
olarak; belirsizlik Tahmini Entropisi ve Uyuşmazlık Yoluyla Bayesian Aktif
Öğrenme (UYBNN) oranları da %90 olarak saptanmıştır. Böylece akciğer
hastalıklarıyla ilgili BT görüntülerinde hastalığın, kanser olup olmadığı kanser ise
hangi tür kanser olduğunun tespit edilebilmesi açısından geliştirilen modellerin
geleneksel modellere göre %98‟e kadar daha doğru sonuçlar verdiği görülmüştür.