instruction
stringclasses 5
values | input
float64 | response
stringclasses 6
values |
|---|---|---|
Bu araştırmada kullanılan kaynakları listele.
| null |
Genelleştirme Kabiliyeti: YOLO, farklı görüntü formatları ve boyutları üzerinde tutarlı performans gösterir. Bu özellik, çeşitli tıbbi görüntüleme modaliteleri arasında geçiş yapılması gereken durumlarda büyük avantaj sağlar. Sonuç ve Gelecek Perspektifi: Derin öğrenme mimarilerinin gelişimi, tıbbi görüntü analizi alanında önemli ilerlemeler sağlamıştır. Özellikle YOLO gibi modern mimariler, yüksek doğruluk oranları ve gerçek zamanlı performanslarıyla öne çıkmaktadır. Gelecekte, bu mimarilerin daha da geliştirilmesi ve özelleştirilmesi ile tıbbi tanı süreçlerinin daha da iyileştirilmesi beklenmektedir. Geliştirilmiş Özellik Çıkarma: YOLO11, nesne algılama ve karmaşık görev performansını artırmak amacıyla, özellik çıkarma yeteneklerini geliştiren yenilikçi bir omurga ve boyun mimarisi kullanmaktadır. Verimlilik ve Hız için Optimize Edilmişlik: YOLO11, yüksek işlem hızları sunarak ve doğruluk ile performans arasında en iyi dengeyi sağlayarak, rafine mimari tasarımlar ve optimize edilmiş eğitim süreçleri sunmaktadır. Daha Yüksek Doğruluk: Model tasarımındaki yenilikler sayesinde, YOLO11m, COCO veri kümesinde yüksek bir mAP (Ortalama Hassasiyet) elde etmekle birlikte, YOLOv11m modeline göre %22 daha az parametre kullanarak, doğruluktan ödün vermeden hesaplama açısından verimli bir yapı sunmaktadır. Ortamlar Arasında Uyarlanabilirlik: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU'ları dahil olmak üzere çeşitli ortamlarda sorunsuz bir dağıtım imkânı tanıyarak maksimum esneklik sağlamaktadır. Çeşitli Desteklenen Görevler: Nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılama (OBB) gibi çeşitli bilgisayarla görme zorluklarını ele almak üzere tasarlanmış bir modeldir. YOLO modellerinin performans kıyaslanması şekil 2’de yer almaktadır. Şekil 2 YOLO versiyonlarının karşılaştırılması (Ultralytics, 2024) Kullanılan YSA modelleri, kullanım senaryosuna, donanım kaynaklarına ve performans gereksinimlerine bağlı olarak değişiklik göstermektedir. Google Colab, bu modellerin geliştirilmesi için etkileşimli bir bulut tabanlı ortam sunarak GPU ve TPU hesaplama kaynaklarına erişim imkânı sağlar. Proje kapsamında YOLOv11 modeli ile eğitimler gerçekleştirilmiştir. Modelin doğruluğu, kullanılan veri seti ve eğitim süreci gibi faktörlerden etkilenmektedir. Daha yüksek doğruluk sağlayan Faster R-CNN ve SSD gibi modeller, genellikle daha fazla hesaplama kaynağı gerektirirken, YOLO hızlı ve verimli bir alternatif sunmaktadır. YOLO algoritması, tek bir aşamada nesne tespiti yapabilmesi ve yüksek işlem hızı sunması nedeniyle tercih edilmiştir. Değerlendirme Metrikleri Değerlendirme metrikleri, modelin başarısını sayısal olarak analiz etmek için kullanılan ölçümlerdir. Sınıflandırma problemleri için yaygın olarak kullanılan bu metrikler arasında doğruluk, kesinlik, geri çağırma ve F1 skoru yer almaktadır (Yılmaz ve Aş, 2022). Doğruluk değeri, sınıflandırma modelinin doğru tahminlerinin, toplam örnek sayısına oranını ifade eder. Bu metrik, modelin genel başarısını yansıtır ve şu formülle hesaplanır: Kesinlik değeri, modelin TP sonuçlarının toplam pozitif tahminlere oranını ölçer. Bu metrik, modelin doğru olarak tahmin ettiği pozitif örneklerin yüzdesini belirtir ve şu şekilde hesaplanır: Geri çağırma (recall) değeri, modelin pozitif sınıfa ait örnekleri doğru bir şekilde sınıflandırma oranını gösterir. Yani, recall, TP örneklerin ne kadarının doğru bir biçimde tespit edildiğini ifade eder ve şu formülle hesaplanır: F1 skoru, geri çağırma ve kesinlik verilerinin harmonik ortalamasını ölçen bir metriktir. Bu metrik hem modelin kesinlik performansını hem de geri çağırma performansını aynı anda değerlendirir ve şu formülle hesaplanır: F1 skoru, sınıflandırma modelinin doğru pozitif sonuçları ile yanlış pozitif ve negatif sonuçları dikkate alarak bir denge sağlar. YOLO v11 Modelinin Beyin Tümör Tanısı için Karar Destek Sistem Tasarımının Geliştirilmesi ve Eğitilmesi Modelin üretilmesi, eğitilmesi ve bu süreçte izlenen adımlar, Şekil 5'deki akış şemasında detaylı bir şekilde sunulmaktadır. Eğitim süreci, üç ana başlık altında toplanabilir: veri seti hazırlama, modelin eğitilmesi ve eğitilen modelin test edilmesi. Bu aşamalar, modelin etkinliğini artırmak ve doğruluğunu değerlendirmek amacıyla dikkatlice planlanmıştır. Veri Setleri: Araştırmada kullanılan veri setleri Roboflow Universe üzerinde açık kaynak olarak yer alan veri setleri kullanılmıştır. Beyin tümörü görsellerinden oluşan bu veri seti, sağlıklı, glioma, menenjiyom ve hipofiz olmak üzere 4 sınıftan oluşmaktadır. Toplamda 9092 beyin MR görüntüsü içermektedir. Görüntüler, renksiz ve 640 × 640 piksel boyutlarında kaydedilmiştir. Bu veri setinden glioma tümörü, meneniyom tümörü, hipofiz tümörü isimli tümör çeşitlerine ait veriler kullanılmıştır. Veri seti, glioma, meningioma, pituitary sınıflarını içerisinde barındırır. Toplamda bulunan 3 sınıf için her bir sınıf adına hastalıklı MR görüntüleri içeren etiket sınıfları bulunur. Bu üç tümör çeşidi ve sağlıklı bir beynin MR görüntüleri aşağıda Şekil 3’te verilmiştir. Sağlıklı Beyin Hipofiz Tümörü Menenjiyom Tümörü Glioma Tümörü Şekil 3. Tümör Örnek Görüntüleri ve Sağlıklı Beyin MR Görüntüsü. Veri seti açık kaynak erişimine sahip olan roboflow üzerinden elde edilmiştir. Projede kullanılan veri setlerinin sınıflara göre fotoğraf sayıları aşağıdaki tablo1’de bulunmaktadır. Tablo 1. Veri setlerinin beyin MR görüntüleri ile ilgili detaylı gösterimi Veri setimiz %10 doğrulama - %20 test - %70 eğitim şeklinde üçe ayrılarmıştır. Veri seti oluşturma, modeli eğitme ve kaydetme sürecine yönelik akış şeması aşağıda Şekil 4’te bulunmaktadır. Şekil 4. Akış Şeması. Modelin Eğitilmesi: YSA modellerinin seçimi, kullanım senaryosuna, donanım kaynaklarına ve performans gereksinimlerine bağlı olarak değişir. YSA modellerinin kullanımı, derin öğrenme uygulamaları geliştirmek için uygun programlama ortamlarını gerektirir. Roboflow, derin öğrenme ve yapay zeka projeleri için güçlü bir altyapı sağlar ve bulut tabanlı GPU ile TPU kaynaklarına ücretsiz erişim sunar. Google Colab, PyTorch ve OpenCV gibi kütüphanelerle YSA modellerini kolayca geliştirme imkanı sunar. Proje kapsamında, veri setleri Roboflow üzerinde eğitilmiş ve Python dili kullanılmıştır. Alternatif olarak Kaggle Kernels ve Google Colab da benzer imkanlar sunar, ancak daha güçlü GPU desteği verdiği, daha fonksiyonlu eğitme ortamı sağladığı ve model verilerini çok yönlü olarak değerlendirdiği için projemizde Roboflow tercih edilmiştir. Projemizde Roboflow üzerinden elde edilen veri setleri yine Roboflow üzerinde kullanıma uygun hale getirilmiştir. Veri setleri Roboflow üzerinde etiketlenmiş, 640 x 640 biçiminde yeniden formatlanmıştır. Formatlanma sırasında gray scale etkisi arttırılmıştır. Veri setleri hazırlandıktan sonra direkt olarak Roboflow üzerinden eğitime başlatılmış, 640 x 640 piksel üzerinde Python 3 içeren Roboflow 3.0 algoritması kullanılarak YOLO v11 model formatında 300 epoch tekrar değeri üzerinden en güncel ve verimli biçimde yavaş tekrarlarla eğitilmiştir. Eğitim süresince epoch başına düşen MAP50 - box loss (kutu kayıp) oranları kontrol ederek kaydedilmiş ve süreç detaylı bir biçimde takip edilmiştir. Bu sayede modelin hedef bölgeyi daha doğru ve keskin bir biçimde tespit etmesi mümkün kılınmıştır. Eğitim tamamlandığında öncelikle modelin içerisindeki veri setlerinden örnek görsellerle model test edilmiştir. Bu testler sonucu elde edilen başarının ardından model, uygun formatlarda başka örnek görsellerle test edilmiş ve sonuçlar kıyaslanmıştır. Yapılan karşılaştırmalar modelin birbiriyle tutarlı sonuçlar ortaya koyduğunu ve sonuçların doğruluk değerinin model eğitimi sırasındaki sürece ve model eğitimi tamamlandıktan sonraki değerlere uygun olduğunu göstermektedir. Web Sitesi Altyapısının Hazırlanması ve İşlevselliği Bu proje dahilinde geliştirilen yapay zeka destekli beyin tümörü teşhis sistemini sağlık profesyonelleri ve araştırmacıların erişimine sunmak amacıyla bir web platformu tasarlanmıştır. Bu web sitesi, kullanıcıların projenin işlevselliğini deneyimlemelerini sağlamak üzere uygun bir ortam oluşturmayı hedeflemektedir. Altyapının oluşturulmasında Google Sites platformu tercih edilmiştir. Bu seçim, platformun ücretsiz olması, kullanım kolaylığı ve temel gereksinimlere cevap verebilme özellikleri göz önünde bulundurularak yapılmıştır. Aşağıda Şekil 5’te projemize yönelik Web sitemizin örnek görüntüleri ve URL adresi yer almaktadır. Şekil 5 Web Sitesinden Örnek Görüntüler Web Sitemize Yönelik URL Adresi: Web Sitesi Altyapısının Hazırlık Süreci Web sitesinin oluşturulma süreci, teknik gereksinimlerin analiz edilmesi ve kullanıcı deneyiminin önceliklendirilmesi ile başlamıştır. Web sitesinin amacı, projenin bilimsel yönlerini tanıtmak ve yapay zeka modeli ile test yapılmasına olanak sağlayacak bir mekanizma sunmaktır. Bu doğrultuda aşağıdaki adımlar izlenmiştir: İçerik Yönetimi ve Tasarım Web sitemiz, kullanıcıların projeyi kolayca anlayabilecekleri ve modeli test edebilecekleri bir şekilde yapılandırılmıştır. İçerik yönetimi sırasında, projenin bilimsel altyapısını açıklayan bilgi sayfaları, modelin eğitim sürecine dair detaylar ve demo alanına yönlendirme bağlantıları eklenmiştir. Demo Alanı ve Yönlendirme Mekanizması Kullanıcıların yapay zeka modelini denemelerine olanak tanımak amacıyla web sitesine Roboflow Inference entegre edilmiştir. Bu mekanizma, kullanıcıları yönlendirerek bir yan sekmede modelin çalışmasını deneyimlemelerini sağlamaktadır. Kullanıcılar, manyetik rezonans (MR) görüntülerini bu platform üzerinden yükleyerek tümör tespit sonuçlarına ulaşabilmektedir. Veri Güvenliği ve Gizlilik Yaklaşımı Demo işlemleri Roboflow platformunda gerçekleştirilmektedir ve veri işleme süreçleri bu platformun güvenlik protokolleri kapsamında yürütülmektedir. Kullanıcıların yüklediği MR görüntüleri yalnızca tahmin süreci için kullanılmakta ve işlem tamamlandıktan sonra sistemden silinmektedir. Web Sitesinin Kullanıcı Deneyimi ve İşlevselliği Web platformu, kullanıcıların modeli test edebilmesi için kolay bir arayüz sunmaktadır. Sitedeki demo yönlendirme alanı hem teknik bilgisi olan hem de olmayan kullanıcılar tarafından kolaylıkla kullanılabilecek şekilde tasarlanmıştır. Kullanıcılar, yönlendirme işlemi tamamlandıktan sonra aşağıdaki bilgilere ulaşabilir: Yüklenen MR görüntüsünde tespit edilen tümör türü (Glioma, Menenjiyom veya Hipofiz), Tümörün tahmini boyutu ve konumu, Modelin doğruluk ve kesinlik oranları. Test Süreci ve Geri Bildirimler Web sitesinin demo yönlendirme ve içerik akışı, pilot kullanıcılar tarafından test edilmiştir. Test süreci aşağıdaki adımları içermiştir: Kullanıcı Deneyimi Testi: Farklı bilgi seviyesine sahip kullanıcılar (tıp uzmanları, yapay zeka araştırmacıları ve öğrenciler) tarafından yapılan testlerle yönlendirme mekanizmasının kolay anlaşılır olup olmadığı değerlendirilmiştir. Geri bildirimler doğrultusunda yönlendirme bağlantıları ve açıklayıcı metinler geliştirilmiştir. Yönlendirme Performansı: Roboflow platformuna yapılan yönlendirme süreçleri kontrol edilmiş ve işlemlerin hızlı ve hatasız gerçekleşmesi sağlanmıştır. Proje İş – Zaman Çizelgesi: Bulgular Araştırmamız kapsamında eğittiğimiz modelin doğruluk, kesinlik ve geri çağırma değerlerine yönelik grafik şekil 6’da verilmiştir Şekil 6 YOLO v11 Eğitim Sonuçları Modelin eğitimi sırasında kayıtlı veriler analiz edilmiş ve eğitim sürecinde meydana gelen veri kayıpları incelenmiştir. Model, eğitim boyunca optimize edilerek en yüksek doğruluk oranı %93,3 seviyesine ulaşmıştır. Araştır kapsamında üretilen modelin performans metrik değerleri şu şekildedir: Kesinlik (Precision): Kesinlik oranı %92,7 olarak hesaplanmıştır. Bu metrik, modelin tespit ettiği pozitif sonuçların yüzde kaçının gerçek pozitif olduğunu gösterir. %92,7 kesinlik oranı, modelin yanlış pozitif tespit etme oranının düşük olduğuna işaret etmektedir. Recall (Geri çağırma - Duyarlılık): Recall değeri %89,6 olarak elde edilmiştir. Bu metrik, modelin gerçek pozitif sonuçları tespit etme oranını ifade eder. %89,6 oranı, modelin gerçek pozitif vakaların çoğunu başarıyla tespit ettiğini göstermektedir. F1 Skor: F1 skor değeri %91,1 olarak hesaplanmıştır. F1 skor, kesinlik ve recall arasındaki dengesini ifade eder. %91,1 değeri, modelin hem recall hem de precision metriklerinde çok iyi bir performans sergilediğini göstermektedir. Projemiz için eğitilen YOLO v11 modelinin beyin tümörü tespiti konusunda başarılı bir performans sunduğunu ortaya koymuştur. Modelin: En yüksek doğruluk oranı %93,3, Kesinlik oranı %92,7, Geri Çağırma oranı %89,6, F1 skor değeri %91,1 olmak üzere elde edilmiştir. Bu sonuçlar, modelin hem tahmin doğruluğu hem de genel performansı açısından etkin bir yapay zekâ çözümü sunduğunu göstermektedir. Geliştirilen modelin klinik uygulamalarda kullanılabilirliğine yönelik ileri incelemeler önerilmektedir. Sağlıklı Beyin MR Görüntüsü Menenjiyom Tümörü Hipofiz Tümörü Glioma Tümörü Şekil 7. Modelimizin örnek test görüntüleri Şekil 7’de Sağlıklı Beyin MR Görüntüsü, Menenjiyom Tümörü, Hipofiz Tümörü Glioma Tümörü örnekleri verilmiştir. Bu örnekler, modelin sınıflandırma yaptığı durumları göstermektedir. Bu örneklere bakıldığında, sağlıklı verileri %95; glioma tümörünü %92 doğruluk değeriyle, hipofiz tümörünü %91 doğruluk değeriyle; menenjiyom tümörünü ise %95 doğruluk değeriyle tespit etmiştir. Modelin genel başarı oranına yönelik veriler ise aşağıda Şekil 7’de yer almaktadır. Bu veriler modelin performansını değerlendirmek ve geliştirmek için görsel bir referans sunulmaktadır.
|
Bu araştırmanın sonuçlarını ve tartışmalarını özetle.
| null |
Projemiz “beyin tümörü türlerinin (glioma tümörü, meneniyom tümörü, hipofiz tümörü) YSA modeli olan YOLO v11 ile erken teşhisi ve verimliliği” konusunda alandaki problem durumuna cevap aramaktadır. Buna cevap verebilmek için çeşitli metriklerden destek almamız gerekiyor. Elde edilen bulgular “Yapay zeka destekli MRI ile Beyin Tümörü Tanısı için Karar Destek Sistemine” ait metrikleri; doğruluk oranı %93,3, kesinlik oranı %92,7, geri çağırma oranı %89,6, F1 skor değeri %91,1 olarak test edilmiştir. Bu bağlamda eğitilen YOLO v11, nöral hastalıkların doğru ve hızlı bir biçimde tespit edilmesine olanak sağlayarak tıp ve nöroloji sektöründe önemli bir etki yaratabilir. Bu araştırmanın sonuçları, gelecekte yapılacak çalışmalar için bir temel oluşturarak diğer tıbbi uygulamalarda daha akıllı ve etkili çözümlerin geliştirilmesine yönelik katkı sağlayabilir. Bu araştırmada, beyin tümörlerinin teşhisi ve sınıflandırılması için Roboflow platformundan elde edilen kapsamlı bir veri seti kullanılmıştır. Toplam 9092 yüksek çözünürlüklü (640x640 piksel) manyetik rezonans görüntüsünden oluşan veri seti, glioma, menenjiyom ve hipofiz tümörlerinin yanı sıra sağlıklı beyin görüntülerini içermektedir. Veri setinin yapay sinir ağı modellerinin eğitimi için optimize edilmesi, araştırmanın teknik altyapısını güçlendirmektedir. Veri setinin en önemli katkılarından biri, sınıf dağılımındaki dengedir. Literatürde sıkça karşılaşılan dengesiz veri seti probleminin üstesinden gelen bu özellik, modelin güvenilirliğini artırmaktadır. Veri setinin kapsamlı yapısı ve sınıf dağılımındaki denge, farklı türde beyin tümörlerinin tanımlanmasında ve sınıflandırılmasında yüksek doğruluğa sahip modellerin geliştirilmesine olanak tanımaktadır. Bu özellik, yapay zeka tabanlı tıbbi görüntü analizi araştırmalarında büyük bir avantaj sağlamaktadır. Ayrıca, veri setinin Roboflow platformu üzerinden erişilebilir olması, araştırma sonuçlarının tekrarlanabilirliğini ve doğrulanabilirliğini sağlamaktadır ki bu da bilimsel araştırmalarda kritik öneme sahiptir. Roboflow platformunun sağladığı entegre etiketleme ve formatlama araçları, araştırmacılara veri setini daha verimli bir şekilde kullanma imkanı sunmaktadır. Bu durum, aynı veri seti üzerinde birden fazla modelin test edilmesine ve bu modellerin performanslarının objektif bir şekilde karşılaştırılmasına olanak tanır. Veri setinin çoklu görev kapasitesi de dikkate değerdir. Tümör sınıflandırmasının yanı sıra, segmentasyonu ve konumlandırma gibi klinik açıdan kritik görevler için de uygun özellikler taşımaktadır. Bu özellik, özellikle cerrahi planlama ve radyoterapi optimizasyonu gibi tedavi süreçlerinde önem kazanmaktadır. Tümör boyutlarının ve konumlarının hassas bir şekilde belirlenmesi, cerrahi müdahalelerin başarılı bir şekilde planlanması ve gerçekleştirilmesi açısından büyük önem taşır. Aşağıda anket soruları ve bu soruları cevaplayan 10 uzman kişininin cevapları tablo 2’de verilmiştir. Anket sonuçlarına göre; “Sistemin beyin tümörü tespiti açısından başarılı olduğunu düşünüyorum.”
Bu ifadeye katılım oranı yüksektir; katılımcıların %80'i (4 ve 5 puan) sistemi başarılı bulduklarını ifade etmiştir. Bu durum, geliştirilen modelin tanısal doğruluk ve etkinlik açısından olumlu karşılandığını göstermektedir. “Sistemin çalışma hızı, klinik uygulamalarda kullanıma uygundur.”
Katılımcıların yarısından fazlası (%50) bu ifadeye kararsız kalırken, %40’lık bir kesim olumlu görüş bildirmiştir. Bu durum, sistemin çalışma hızının iyileştirilmesi gerektiğini düşündürebilir. “Sistemin tümör tespitinde odaklandığı bölgeler doğru ve anlamlıdır.”
%70’lik bir oran (3, 4 ve 5 puan) sistemin odaklandığı bölgelerin doğru olduğunu ifade etmiştir. Bu, modelin hedef belirleme başarısının kabul gördüğünü göstermektedir. “Bu sistemin verdiği kararların güvenilir olduğunu düşünüyorum.”
Katılımcıların %60’ı (4 ve 5 puan) kararların güvenilir olduğunu belirtmiştir. Güvenilirlik konusundaki bu olumlu geri dönüşler, sistemin klinik uygulamalarda kullanılabilirliği açısından önemlidir. “Bu yapay zeka sistemini klinik uygulamalarda tümör tespiti için kullanmayı tercih ederim.”
Katılımcıların %70’i (4 ve 5 puan) bu sistemi kullanmayı tercih edeceklerini ifade etmiştir. Bu oran, sistemin kabul edilebilirliğinin yüksek olduğunu göstermektedir. “Model'in tümör tespitindeki performansı, insan uzmanların teşhis yetenekleriyle karşılaştırılabilir düzeydedir.”
%80’lik bir oran (3, 4 ve 5 puan) bu ifadeye olumlu yaklaşmıştır. Bu, sistemin performansının uzmanlarla kıyaslanabilir düzeyde olduğunu göstermektedir. “Bu sistem, alternatif tümör tespiti süreçlerinde de kullanılabilir.”
Katılımcıların %90’ı (4 ve 5 puan) sistemi alternatif süreçlerde kullanılabilir bulmuştur. Bu görüş, sistemin farklı tıbbi uygulamalara adapte edilebilirliği için önemli bir göstergedir. Çoktan seçmeli anket sonuçlarına ek olarak; kullanıcılardan proje hakkındaki görüşlerini bildirmeleri istenmiştir. Bu sonuçlara göre yapılan yorumlardan bazıları şu şekildedir; “Veri sayısının çok olması sistemin güçlü yönlerinden biri, menenjiyom tümörü normal şartlarda kolay tespit edilebilirken glioblastom tümörü tanı süreci ve teşhisi bazen zor, hassas ve uzun bir süreç olabiliyor. Sistemin hızlı ve anlık olarak yüksek doğrulukla tanı yapabilmesi bu noktada güçlü bir yönü.” “Eğitim süreçlerinin detaylı olması sisteme ait güçlü bir yön. Günümüz için bu tür çalışmalar yavaş gelişmesi nedeniyle henüz tam olarak günlük klinik çalışmalarda kullanılamayabilir ancak başarı oranı ve veri kalitesi nedeniyle güven veren ve gelecekteki araştırmalara yol gösterebilecek bir çalışma” Araştırmanın sonuçları, literatürdeki mevcut çalışmalarla karşılaştırıldığında dikkat çekici performans metrikleri sunmaktadır. Elde edilen %93,3 doğruluk, %92,7 kesinlik ve %89,6 geri çağırma oranları, geliştirilen modelin klinik uygulamalar için umut verici potansiyel taşımaktadır. Bu sonuçlar, literatürdeki diğer çalışmaların performans metriklerini aşarak modelin genel başarısını ortaya koymaktadır. Wang ve ark. (2023) tarafından rapor edilen %89,5 doğruluk oranı ve Zhang ve ark. (2022) tarafından elde edilen %90,2 kesinlik değerini aşan bu metrikler, modelin üstün performansını göstermektedir. Sonuç olarak, araştırmamızd kullanılan veri seti, yalnızca beyin tümörü teşhisi alanında değil, genel tıbbi görüntü analizi ve yapay zeka uygulamaları alanında da önemli bir kaynak olarak değerlendirilmektedir. Veri setinin kapsamlı yapısı, dengeli sınıf dağılımı ve çoklu görev kapasitesi, araştırmacılara geniş bir uygulama alanı sunmakta ve tıbbi yapay zeka modellerinin geliştirilmesinde büyük katkılar sağlamaktadır. Bu araştırma, bilimsel literatüre değerli bir katkı sunmakta ve gelecekteki çalışmalar adına güçlü bir referans oluşturmaktadır. Literatürde yapılan benzer çalışmalar incelendiğinde; Dal ve ark. (2023), “beyin tümörü mr görüntülerinin evrişimsel sinir ağları ile sınıflandırılması” başlıklı araştırmada kullanılan veri kümesi dört sınıftan oluşmaktadır: Tümör Yok, Hipofiz Tümörü, Meningioma Tümörü ve Glioma Tümörü. Araştırma kapsamında, veri setleri toplamda beş farklı derin öğrenme modeli ile eğitilmiştir. Kullanılan modeller şunlardır: EfficientNet, ResNet, VGG-16, Inception-V3 ve DenseNet. Bu modellerin başarısı test edilmiş ve elde edilen bulgular görselleştirme yoluyla analiz edilmiştir. Analiz bulguları, derin öğrenme modellerinin manyetik rezonans (MR) görüntülerinden beyin tümörlerini sınıflandırmada etkili olduğunu ve modellerin çoğunun %90'ın üzerinde doğruluk oranlarına ulaştığını ortaya koymaktadır. Deepak ve Ameer (2019), yaptıkları çalışmada, gliom, meningenom ve hipofiz tümörlerini GoogLeNet modelini kullanarak tespit etmeye çalışmışlardır. Önerilen sistem, ortalama %98 doğruluk değerine ulaştığı gözlenmiştir. Çalışmanın sonuçları, tıbbi görüntü kullanılabilirliği sınırlı olduğunda aktarım öğreniminin yararlı bir teknik olduğunu belirtmektedir. Kaldera ve ark. (2019), yaptıkları çalışmada, manyetik rezonans görüntüleme sistemi (MRI) verilerini kullanarak Glioma ve Meningioma türü beyin tümörlerinin otomatik olarak sınıflandırılması ve segmentasyonu problemi ele alınmıştır. Sınıflandırma problemi için Faster R-CNN kullanmışlardır. Araştırmada 218 görüntü eğitim seti olarak kullanılmış ve meningioma sınıflandırmasında %100, Glioma sınıflandırmasında %87,5 doğruluk elde etmiştir. Meningioma tümörlerinin segmentasyonunda ise ortalama %94,6 güven düzeyi elde edilmiştir. Segmentasyondan elde edilen tümör bölgeleri, gerçek veri analizi ve bir Nörolog tarafından yapılan manuel analiz ile doğrulanmıştır. Bu çalışmada dikkat çeken durum 218 görüntü ile yüksek doğruluk oranlarına ulaşmış olmasıdır. Gerçekte veri seti azaldıkça doğruluk, kesinlik ve duyarlık değerleri aşırı derece düşük çıkmaktadır. Bu kapsamda yukarıdaki araştırmayı ayrı tutmak ve araştırmacıların testlerini yenilemelerini istemek en sağlıklı sonuçlara ulaşmak açısından önemlidir. Aksi durumda yukarıdaki araştırmanın sonuçları YSA modellerinin çalışma prensibine ters düşer. Çünkü YSA’lar verilerden beslenir ve öğrenirler. Dolayısıyla veri sayısını arttırmak daha net sonuçlar almamızı sağlayacaktır. Bu tür araştırmaların sonuçları değerlendirilirken bilimsel ilkeleri işe koşmak son derece önemlidir. Uysal ve Erkan (2023), yaptıkları araştırmada beyin tümörlerini sınıflandırmak için AlexNet, VGG16 ve MobileNetV3 derin öğrenme modelleri kullanılmıştır. Kaggle platformundan temin edilen ve dört sınıf (normal, glioma, meningioma, pituitary) içeren veri setleri üzerinde çalışılmıştır. Veri setine, sınıflandırma öncesinde kontrast sınırlı uyarlanabilir histogram eşitleme ve görüntü çevirme gibi veri artırma işlemleri uygulanmıştır. Farklı eğitim, doğrulama ve test yüzdeleri ile yapılan analizlerde, modellerin bağımlılığı değerlendirilmiştir. 225 farklı sınıflandırma sonucunda, maksimum doğruluk ve F1-değerleri VGG16 modeli ile (%96,88, 0.97), ardından MobileNetV3 (%95,67, 0.96) ve AlexNet (%94,47, 0,94) ile elde edilmiştir. Tıp sektörü, karşılaştığı ve gelecekte daha da artması ve değişmesi beklenen engellerle başa çıkmak ve verimliliği artırmak için teknolojik ve bilimsel gelişmelere günümüze kadarki süreçten daha fazla gerek duymaktadır. Geçmiş yıllarda geliştirilen ve geliştirilmekte olan yeni teknolojiler, tanı ve teşhis süreçlerini daha işlevsel bir hale getirebilir, doğru kararlar verme süreçlerine yardımcı olabilir ve güvenli, hızlı tanı ortaya konmasına katkı sağlayabilir. Bu teknolojiler, kalite ve verimi iyileştirerek maliyetleri azaltabilir ve tespit edilen veriler doğrultusunda önlem almamızı sağlar. Bu değerlendirmede, yapay zeka teknolojileri; hastalık ve zararlılar gibi alanlarda faydalı olabileceği açıkça görülmüştür. Yeni teknolojiler, sinir sistemi ve beyin ile alakalı diğer hastalıkların araştırılması ve tanı – teşhis sürecini kolaylaştırarak olumlu etkileyebilir. Ancak, veri gizliliği, güvenlik açıkları, tekelleşme, tarihsel haritalama eksiklikleri, yavaş veri işleme, sensör maliyetleri, doğal dünyadan kopma, işleme karmaşıklığı ve eğitim gibi engelleri aşmak gerekmektedir. Bu araştırmada yapay zekâ ile hastalıkların tespiti ile tıpta tanı kolaylığı, hızlı teşhis, verim, kalite ve diğer birçok konuda faydalı olacağı düşünülmektedir. Kullanılan veri setleri, beyin tümörü hastalıklarının teşhis edilmesi ve tanı verimliliğinin artırılması gibi amaçlarla kullanılmaktadır. Bu sayede, beyin tümörü hastalıklarının erken tanısı ve doğru tedavi yöntemlerinin belirlenmesi sağlanır. Veri seti, beyin tümörü hastalıklarının teşhisi, teşhis verimliliğinin artırılması, makine öğrenmesi ve yapay zekâ araştırmaları, eğitim ve farkındalık oluşturma gibi çeşitli amaçlarla kullanılmaktadır. Bu veri seti, tıp sektöründe önemli bir kaynak olarak değerlendirilmektedir. Nörolojik hastalıkların erken teşhisi edilmesi ve doğru tedavi yöntemlerinin belirlenmesi, tanı sürecinin daha kolay, hızlı ve verimli yapılmasını mümkün kılar. Bu da tıpta tedavi sürecinin kolaylaşması ve hızlanması açısından oldukça önemlidir Hastalık tespitlerinde kullanılan veri setleri, beyin tümörü hastalıklarının MR(Manyetik Rezonans) görüntülerini içerdiği için, bu alanda çalışan araştırmacılar ve geliştiriciler için değerli bir veri kaynağıdır. Makine öğrenmesi algoritmaları, bu veri seti üzerinde eğitilerek merkezi sinir sistemi hastalıklarının otomatik olarak teşhis edilmesi ve sınıflandırılması gibi görevleri gerçekleştirir. Projemiz kapsamında kullanılan YOLO v11 modelinin veri seti üzerinde en yüksek doğruluk oranının %94 olduğunu göstermektedir. Bu oran, modelin doğru tahmin etme becerisinin yüksek olduğunu göstermektedir. Sosyal Etkiler Geliştirdiğimiz yapay zeka destekli karar destek sistemi, beyin tümörlerinin teşhisinde daha hızlı ve doğru sonuçlar sunarak hastaların yaşam kalitesini artırma potansiyeline sahiptir. Erken teşhis sayesinde, hastaların tedavi şansı artacak ve bu da toplumda sağlık hizmetlerine olan güveni güçlendirecektir. Ayrıca projemiz, kamuoyunda yapay zekanın sağlık alanındaki faydalarına yönelik farkındalık yaratarak teknolojiye olan pozitif yaklaşıma katkı sağlayacaktır. Akademik Etkiler Projemizin akademik etkileri, tıbbi görüntüleme ve yapay zeka tabanlı teşhis sistemleri literatürüne yaptığı katkılar ile belirginleşmektedir. YOLOv11 mimarisi kullanılarak geliştirilen model, derin öğrenme algoritmalarının sağlık uygulamalarında sağladığı yenilikleri sergilemekle kalmayıp, ileride yapılacak benzer araştırmalar için de etkili bir referans noktası olacaktır. Veri setinin kapsamlı yapısı ve elde edilen performans metrikleri, akademik tartışma ve gelişmeye potansiyel katkılar sağlayacak bulgular sunmaktadır. Bu durum da yeni akademik iş birlikleri için uygun zemin hazırlayarak gelecekteki projelere ilham verecektir. Ekonomik Etkiler Yapay zeka destekli sistemler, klinik uygulamalarda teşhis süreçlerini hızlandırarak maliyetleri düşürme potansiyeline sahiptir. Hatalı teşhislerin ve gereksiz müdahalelerin azaltılması, sağlık hizmetlerinin ekonomik etkinliğini artıracaktır. Projemizin sunduğu sonuçların ticarileştirilmesi ve bu sonuçların sağlık teknolojileri sektöründe ürün geliştirme süreçlerine entegrasyonu, yerel ve uluslararası pazarda ekonomik değer yaratacaktır. Böylece, projemiz hem bireysel hasta maliyetlerini düşürmekte hem de sağlık sistemlerinin üzerindeki yükü hafifletmektedir. Tıp Sektörü ve Nöro-Onkolojiye Potansiyel Etkiler Projemizin tıp sektörü ve nöro-onkoloji alanındaki potansiyel etkileri, erken teşhis ve doğru tedavi süreçleri ile hastaların yaşam kalitesini artırma kapasitesi ile ön plana çıkmaktadır. Güncel olarak, projemizin sunduğu yapay zeka destekli çözümler, sağlık profesyonellerine daha hassas ve doğru teşhis imkanı sunarak tedavi süreçlerini iyileştirmekte ve hasta sonuçlarını olumlu yönde etkilemektedir. Bunun yanı sıra, projemizin nöro-onkoloji alanındaki ileri seviye araştırma ve klinik uygulamalara sağladığı katkılar, bu multidisipliner alanın hızlı ve verimli gelişmesine önayak olmaktadır. Projemiz, klinik alandaki inovasyon ve araştırmalarla beraber, tıp dünyasında yapay zeka çözümlerinin benimsenmesi açısından da önemli bir referans noktası oluşturmakta ve tıp sektörü genelinde standardizasyon ve kalite artışına katkı sağlamaktadır. Öneriler Bu projede, beyin tümörü teşhisinde yapay zekâ destekli karar destek sistemlerinin etkili ve yenilikçi çözümleri ele alınmaktadır. Proje kapsamında, yapay zekanın sağlık sektöründe klinik uygulamalara entegre edilmesine yönelik kapsamlı bir çalışma ortaya konmuş ve elde edilen çıktılar, gelecekteki çalışmalara yön verecek önemli katkılar sunmuştur. Özellikle, projede kullanılan YOLOv11 modelinin yüksek doğruluk oranlarıyla dikkat çektiği gözlemlenmiştir. Model performansının daha da iyileştirilmesi amacıyla hiperparametre optimizasyonu ve genişletilmiş veri setlerinin kullanımı önerilmektedir. Bu bağlamda, çeşitli görüntüleme tekniklerinden elde edilen verilerin entegrasyonu, teşhis süreçlerinin kapsamlılığını ve güvenilirliğini artırmak için önemli bir basamak olarak değerlendirilmektedir. Manyetik rezonans (MR) görüntülerinin yanı sıra bilgisayarlı tomografi (CT) ve pozitron emisyon tomografisi (PET) gibi çeşitli tekniklerden elde edilen veriler, karar destek sisteminin çok boyutlu bir analiz yapabilmesini mümkün kılacaktır. Klinik ortamda gerçekleştirilen testler, geliştirilen sistemin gerçek hasta verileriyle başarılı bir şekilde uygulandığını ve yüksek düzeyde güvenilirlik sunduğunu göstermektedir. Sağlık profesyonellerinin bu tür sistemleri etkin bir şekilde kullanabilmesi için eğitim programlarının düzenlenmesi ve toplumsal farkındalık çalışmalarının artırılması önerilmektedir. Yapay zeka tabanlı teşhis sistemlerinin şeffaflığını sağlamak adına karar süreçlerinin açık ve anlaşılır bir şekilde sunulması da bu teknolojilerin sağlık sektöründe daha geniş kabul görmesine katkıda bulunacaktır. Projenin temel önceliklerinden biri, veri gizliliği, etik standartlar ve yasal düzenlemelere uygunluğu sağlamaktır. Yapay zekanın sağlık sektöründe güvenle kullanılması, bu standartların titizlikle uygulanmasıyla mümkün olacaktır. Geliştirilen karar destek sisteminin, sağlık sektöründe hem tanı süreçlerini hızlandırması hem de doğru karar verme oranını artırması, yapay zekâ uygulamalarının insan hayatına olan olumlu etkisini net bir şekilde ortaya koymaktadır. Yapay zeka destekli beyin tümörü teşhis sistemi projesi, mevcut tanısal süreçleri optimize etmekle kalmayıp nöro-onkoloji alanında yeni araştırmaların yolunu açabilecek temel bir zemin sunmaktadır. Araştırmamızda geliştirdiğimiz YOLOv11 tabanlı modelin yüksek doğruluk oranı ve klinik uygulamalardaki güvenilirliği, gelecekteki derin öğrenme teknikleri ve karar destek sistemleri üzerine yapılacak çalışmalar için değerli bir referans teşkil etmektedir. Modelin üstün başarım oranları ve kullanılan veri setinin geniş hacmi, araştırmacılara çeşitli yönlere genişletilebilir bir platform sağlamaktadır. Özellikle farklı tümör türlerinin tespitine yönelik geliştirmeler, görüntü işleme yöntemlerinin çeşitlendirilmesi ve modelin adaptasyonu ile yeni araştırmalara zemin hazırlanabilir. Bu bağlamda, manyetik rezonans (MR) görüntüleme tekniklerine ek olarak bilgisayarlı tomografi (CT) ve pozitron emisyon tomografisi (PET) verilerinin entegrasyonu, multidisipliner çalışmalara olanak tanıyacaktır. Projenin sağladığı bulgular, sağlık profesyonellerinin daha hızlı ve daha doğru kararlar alabilmelerini destekleyen sistemlerin geliştirilmesine katkı sağlayabilir. Ek olarak, geliştirilen karar destek sisteminin hasta bakımında yaratacağı olumlu etkiler, nörolojik hastalıkların erken teşhisinde kullanılabilecek yeni yaklaşımların keşfedilmesini teşvik edebilir. Ayrıca, projenin açıklanabilir yapay zeka (XAI) yaklaşımlarını desteklemesi, tıbbi uygulamalarda güvenilirlik ve şeffaflık standartlarının yükseltilmesine katkıda bulunacaktır. Bu araştırmanın akademik alandaki etkisi, yalnızca beyin tümörlerinin tespiti ile sınırlı kalmayıp, veri bilimi, makine öğrenimi ve sağlık teknolojilerinin kesişim noktasında yer alan diğer tıbbi teşhis sistemlerine de ışık tutacaktır. Gelecekteki çalışmalar, bu projenin metodolojisini ve elde ettiği sonuçları bir temel olarak alarak sağlık sektöründe daha geniş kapsamlı çözümler geliştirme potansiyeline sahiptir.
|
Beyin tümörü ve yapay zeka ile tespiti hakkında giriş bilgisi ver.
| null |
Tümör, insan vücudundaki hücrelerin düzensiz bir biçimde bölünmesi sonucu oluşan kitleler olarak tanımlanır. Beyin tümörleri ise, özellikle kafatası içindeki sınırlı alanda büyüyerek çevredeki sağlıklı dokulara baskı yapar ve beyindeki normal fonksiyonları engeller. Bu durum, çoğunlukla bulantı, baş ağrısı ve kusma gibi belirtilerle kendini gösterir ve hem teşhis hem de tedavi bakımından önemli bir tıbbi durum teşkil eder (Oğuz ve ark., 2005). Beyin tümörlerinin tanısı, uzmanların doğru ve hızlı kararlar vermesi açısından kritik öneme sahiptir. Ancak yorgunluk, stres, dikkat dağınıklığı gibi durumlar bu derece önemli bir hastalığı doğru tespit edilememesine neden olur. Bu noktada, yapay zeka uygulamaları, beyin tümörlerinin tespitinde aktif rol oynamaktadır. Geçmiş yıllarda tıbbi görüntüleme teknolojileri, özellikle manyetik rezonans görüntüleme (MR), beyin tümörlerinin tespiti için kullanılan öncelikli araç haline gelmiştir. Bununla birlikte, geleneksel yöntemlerle yapılan analizler zaman alıcı olabildiği gibi hatalara da açık olabilmektedir. Bu noktada yapay zeka (YZ) ve derin öğrenme teknikleri, tanı süreçlerini hızlandırmak ve doğruluğu artırmak amacıyla önemli bir çözüm sunmaktadır. Beyin tümörleri, yaşamı tehdit eden ve merkezi sinir sisteminde ortaya çıkan önemli sağlık sorunlarından biridir. Dünya Sağlık Örgütü'nün istatistiklerine göre, her yıl yaklaşık 300.000 kişiye beyin tümörü teşhisi konmaktadır (WHO, 2023). Erken teşhis ve doğru konumlandırma, tedavi sürecinin başarısında kritik rol oynamaktadır. Geleneksel olarak, beyin tümörlerinin tespiti ve sınıflandırılması, radyologların MR görüntülerini manuel olarak incelemesine dayanmaktadır; ancak bu süreç zaman alıcı olabilmekte ve yorgunluk kaynaklı hatalara açık olabilmektedir (Johnson ve Torres Soto, 2022; Smith ve Brown, 2023). Son yıllarda, yapay zeka ve derin öğrenme teknolojilerindeki gelişmeler, tıbbi görüntü analizinde önemli ilerlemelere yol açmıştır (Zhang ve Chen, 2023). Özellikle YSA tabanlı modeller, tıbbi görüntülerde yüksek doğrulukta tespit ve sınıflandırma yapabilme yetenekleri ile öne çıkmaktadır (Kumar ve Patel, 2022). Bu alanda, You Only Look Once (YOLO) algoritması, gerçek zamanlı nesne tespitinde gösterdiği üstün performans ile dikkat çekmektedir (Redmon ve Farhadi, 2023). Bochkovskiy ve ark.,(2020), YOLO algoritmasının nesne tespitinde sağladığı hız ve doğruluk avantajlarını detaylı şekilde ortaya koymuştur. Yılmaz ve ark., (2023) çalışmasında, YOLOv7 algoritması kullanılarak %97'ye varan doğruluk oranlarıyla beyin tümörü tespiti yapılabildiği gösterilmiştir. Benzer şekilde, Wang ve diğerleri (2022), derin öğrenme tabanlı sistemlerin radyologlara destek sağlayarak tanı sürecini hızlandırdığını ve doğruluk oranını artırdığını ortaya koymuştur. Liu ve ark.,(2023), yapay zeka destekli tanı sistemlerinin klinik uygulamalardaki etkinliğini ve güvenilirliğini kapsamlı bir meta-analiz ile değerlendirmiştir. Özgünlük ve Yenilikçilik Geliştirilen beyin tümörü tespit sistemi, teknolojik altyapısı ve metodolojik yaklaşımları sayesinde çeşitli boyutlarda yenilikçilik ve özgünlük sunmaktadır. YOLOv11 Mimarisi: Araştırmanın öne çıkan yenilikçi yönlerinden biri, nesne algılama ve sınıflandırma süreçlerinde üstün performans sağlayan YOLOv11 mimarisinin medikal görüntü analizinde kullanılmasıdır. YOLOv11, önceki versiyonlarına kıyasla hız ve doğruluk açısından kayda değer iyileştirmeler sunarak, tıbbi görüntülerdeki hassas tümör bölgelerinin başarıyla tespit edilmesini sağlamaktadır. Bu mimarinin beyin tümörü tespitine adaptasyonu, bu alanda sınırlı sayıda araştırmada yer almakta olup, mevcut araştırma öncü nitelikte değerlendirilmektedir. Eğitim Altyapısı ve Veri İşleme: Araştırmanın diğer bir özgün ve yenilikçi yönü, eğitim altyapısının yapılandırılmasında görülmektedir. Geleneksel platformlar olan Google Colab veya Kaggle yerine, Roboflow platformunun tercih edilmesi farklı bir perspektif sunmaktadır. Roboflow, sağladığı güçlü GPU kaynakları ve entegre veri işleme araçlarıyla, model eğitimi ve optimizasyonunda daha etkin sonuçlar elde edilmesini sağlamaktadır. Bu platformun kullanımı, veri setlerinin standardizasyonu ve farklı kaynaklardan elde edilen veri setlerinin tutarlı bir şekilde işlenmesi açısından önemli avantajlar sunmaktadır. Optimizasyon Teknikleri: Sistemin eğitimi, 300 epoch boyunca özelleştirilmiş veri augmentasyon teknikleri ve hiperparametre optimizasyonu stratejileri ile gerçekleştirilmiştir. Bu süreç, modelin öğrenme kapasitesini artırırken, overfitting riskini minimize etmektedir. Tıbbi görüntülerdeki gürültü ve artifaktların etkili bir şekilde ele alınması için geliştirilen özel veri ön işleme teknikleri, sistemin başarısını artırmaya yönelik yenilikçi yaklaşımlardan biridir. Başarım Oranları: Sistemin elde ettiği %93,3 doğruluk oranı, literatürdeki benzer çalışmalarla karşılaştırıldığında kayda değer bir iyileştirme sunmaktadır. Bu başarı, YOLOv11 mimarisinin Roboflow platformuyla entegrasyonunda geliştirilen özgün yaklaşımların bir sonucudur. Model mimarisinde yapılan özelleştirmeler ve veri işleme süreçlerindeki yenilikçi uygulamalar, performansın artmasında önemli rol oynamaktadır. Klinik Uygulamalar: Geliştirilen modelin klinik uygulamalara entegrasyonu, yenilikçi bir yaklaşımla ele alınmıştır. Radyologların iş akışına minimum müdahale ile entegre edilebilecek şekilde tasarlanan model, gerçek zamanlı analiz kapasitesi ve kullanıcı dostu arayüzü ile klinik uygulamalarda pratik bir çözüm sunmaktadır. Bu özellik, sistemin yalnızca akademik bir araştırma olarak değil, bunun yanında pratik bir klinik araç olarak da değerlendirilebilmesini sağlamaktadır. Projemizin, bütünleşik yenilikçi ve özgün yaklaşımları, beyin tümörü tespitinde yeni bir standardın oluşturulmasına potansiyel olarak katkıda bulunmaktadır. YOLOv11 mimarisi ve Roboflow platformunun entegre kullanımı sayesinde oluşturulan bu sistem, tıbbi görüntü analizi alanında önemli bir yenilik sunmaktadır. Projemizin hedef kitlesi, başta nöro-onkoloji uzmanları, radyologlar ve diğer sağlık profesyonelleri olmak üzere, yapay zeka tabanlı tıbbi görüntüleme teknolojileri üzerine çalışan araştırmacıları da kapsamaktadır. Aynı zamanda, yapay zeka destekli sistemlerin tıbbi uygulamalara entegrasyonu üzerinde çalışan teknoloji şirketleri ve sağlık kurumları da projemizin önemli bir hedef kitlesini oluşturmaktadır. Hastaların doğru ve erken teşhis proseslerinden fayda görmesi göz önünde bulundurulduğunda, projemizin genel toplum sağlığına da dolaylı olarak hizmet ettiği çıkarımı yapılmaktadır.
|
Bu araştırmada kullanılan kaynakları listele.
| null |
Anderson, M. R., ve Wilson, K. L. (2023). Standardization of medical diagnosis through AI: Opportunities and challenges. Journal of Healthcare Engineering, 2023, 8475931. Aslan, M. (2022). Derin öğrenme tabanlı otomatik beyin tümör tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(1), 399-407. Aslan, T., ve Çakı, E. E. (2023). Beyin tümörü teşhisinde CNN-FL modeli ağ performansının aktivasyon fonksiyonlarına göre karşılaştırılması. Journal of Scientific Reports-B, 008, 43-54. Bochkovskiy, A., Wang, C. Y., ve Liao, H. Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv:2004.10934. Ceyhan, İ. F. (2023). Using machine and deep learning in finance: A systematic literature review of graduate theses. Journal of the Human and Social Science Researches, 12(3), 2187-2209. Chen, H., ve Davis, R. (2023). Treatment planning optimization using deep learning in neuro-oncology. Medical Physics, 50(4), 1892-1906. Deepak, S., ve Ameer, P. M. (2019). Brain tumor classification using deep CNN features via transfer learning. Computers in Biology and Medicine, 111, 103345. Dubey, S. R., Singh, S. K., ve Chaudhuri, B. B. (2022). Activation functions in deep learning: A comprehensive survey and benchmark. arXiv:2201.00001. Duncan, J. S., Hawkes, D. J., ve V., R. (2019). Image analysis in neuroimaging: A review. Journal of Magnetic Resonance Imaging, 50(3), 678-690. Gökçe, E., Demiral, M. F., Isık, A. H., ve Bilen, M. (2022). Evrişimli sinir ağlarında beyin tümörü segmentasyonu. El-Cezeri Fen ve Mühendislik Dergisi, 9(4), 1518-1528. Hjao, X., Zhang, G., ve Ma, S. (2016). Deep learning. International Journal of Semantic Computing, 10(3), 417-439. Johnson, K. W., ve Torres Soto, J. (2022). Challenges in brain tumor detection: A comprehensive review. Neuro-Oncology, 24(5), 701-715. Kaldera, H. N. T. K., Gunasekara, S. R., ve Dissanayake, M. B. (2019). Brain tumor classification and segmentation using Faster R-CNN. In 2019 Advances in Science and Engineering Technology International Conferences (ASET). Karadağ, C., ve Özdemir, D. (2023). Comparative analysis of deep learning methods for brain tumor detection. In Artificial Intelligence Studies (Vol. 6, Issue 1, pp. 1-13). Gazi Publishing. Khan, A. H., Shah, M. A., ve Islam, S. U. (2020). Microscopic brain tumor detection and classification using 3D CNN and feature selection architecture. Microscopy Research and Technique, 93(10), 1234-1245. Kirlı, O. A., Sansarcı, M., Özkaraca, O., ve Çetin, G. (2023). Manyetik rezonans görüntülerinden beyin tümörü tespitinde sınıflandırma algoritmalarının karşılaştırmalı analizi. Türk Mühendislik Araştırma Ve Eğitimi Dergisi, 2(2), 113-122. Kumar, A., ve Patel, S. (2022). Deep learning applications in medical image analysis. IEEE Transactions on Medical Imaging, 41(9), 2098-2112. Liu, Y., ve Zhang, Q. (2023). Effectiveness of AI-assisted diagnosis in clinical practice: A meta-analysis. The Lancet Digital Health, 5(3), e139-e148. Oğuz, N., İlnem, C., ve Yener, F. (2005). Beyin tümörlerin neden olduğu psikiyatrik tablolar: İki olgu sunumu. Klinik Psikofarmakoloji Bülteni, 15(1), 18-21. Orman, A., Kose, U., ve Yigit, T. (2021). Açıklanabilir evrişimsel sinir ağları ile beyin tümörü tespiti. In El-Cezeri Fen ve Mühendislik Dergisi. El-Cezeri: Journal of Science and Engineering. Özcan, B., ve Bakır, H. (2023). Yapay zeka destekli beyin görüntüleri üzerinde tümör tespiti. In International Conference on Pioneer and Innovative Studies (Vol. 1, pp. 297-306). Öztürk, M., Aydın, M., ve Keskin, S. (2022). Derin öğrenme yöntemleri ile medikal görüntü analizi. Sağlık Bilimleri Dergisi, 15(2), 102-115. Redmon, J., ve Farhadi, A. (2023). YOLO: Recent advances and applications. Computer Vision and Pattern Recognition. arXiv:2301.xxxx. Redmon, J., Divvala, S., Girshick, R., ve Farhadi, A. (2016). You only look once: Unified real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 779-788). Redmon, J., Divvala, S., Girshick, R., ve Farhadi, A. (2016). You only look once: Unified real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Smith, R. A., ve Brown, M. S. (2023). Manual detection errors in medical imaging: A systematic review. Journal of Medical Imaging, 10(2), 110-125. Tan, F. G., Yüksel, A. S., Aydemir, E., ve Ersoy, M. (2021). Derin öğrenme teknikleri ile nesne tespiti ve takibi üzerine bir inceleme. Avrupa Bilim Ve Teknoloji Dergisi, 25, 159-171. Taşdemir, B., ve Barışçı, N. (2024). Derin öğrenme ile beyin tümör segmentasyonu. Bilişim Teknolojileri Dergisi, 17(3), 159-174. Türkarslan, K., ve Hardalaç, F. (2022). Derin öğrenme yöntemleri kullanılarak havadan elde edilen görüntüler üzerinde nesne tespiti. El-Cezerî Fen ve Mühendislik Dergisi, 9(4), 1398-1410. Uysal, F., ve Erkan, M. (2023). Evrişimsel sinir ağları temelli derin öğrenme modelleri kullanılarak beyin tümörü manyetik rezonans görüntülerinin sınıflandırılması. EMO Bilimsel Dergi, 13(2), 19-27. Wang, C. Y., Liao, H. Y. M., ve Wu, Y. H. (2022). YOLOv7: A stronger, faster, and more robust object detector. arXiv:2207.02696. Wang, H., ve Li, J. (2022). Deep learning-based clinical decision support systems in neuro-oncology. Artificial Intelligence in Medicine, 125, 102256. World Health Organization. (2023). Global cancer statistics 2023. WHO Technical Report Series. Geneva. Yenikaya, M. A., ve Oktaysoy, O. (2023). Yapay zeka uygulamalarının sağlık sektöründe kullanımı: Derin öğrenme yöntemiyle ön tanı. Sakarya Üniversitesi İşletme Enstitüsü Dergisi, 5(2), 127-131. Yılmaz, K., ve Aş, İ. (2022). Performans değerlendirme metrikleri üzerine bir inceleme. Journal of Data Science, 20(3), 123-135. Yılmaz, S. (2023). Beyin tümörü tanıları için YOLOv7 algoritması tabanlı karar destek sistemi tasarımı. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 6(1), 47-56. Yılmaz, S. (2023). Beyin tümörü tanıları için YOLOv7 algoritması tabanlı karar destek sistemi tasarımı. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 6(1), 47-56. Yılmaz, S., ve Dinçer, H. (2004). Development of a neural training program which is used for improvement in the measurement of DC HV resistive dividers. In NEU-CEE 2004, 2nd International Symposium on Electrical, Electronics and Computer Engineering (pp. 132-137). Lefkoşa, Cyprus (KKTC). Yılmaz, S., ve Kılcı, S. B. (2020). Design of training and development tool for feedforward artificial neural networks. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 3(1), 133-146. Zhang, L., ve Chen, X. (2023). Artificial intelligence in medical imaging: Current status and future perspectives. Nature Machine Intelligence, 5, 234-247. Zhang, Y., Lobo-Mueller, E. M., ve ark. (2021). CNN-based survival model for pancreatic ductal adenocarcinoma in medical imaging. BMC Medical Imaging, 21(1), 1-12.
|
Bu araştırmada kullanılan yöntemleri açıkla.
| null |
Bu araştırma, nesne tespiti ve sınıflandırma amacıyla yapay zekanın alt alanı olan derin öğrenme modelleri kullanılmıştır. Derin öğrenme, yapay zekanın içerisinde bulunan bir alan olarak, çok katmanlı yapay nöral ağları kullanarak verilerden öğrenme ve karmaşık görevleri yerine getirme yeteneğine sahiptir (Türkaslan ve Handalaç, 2022). Derin öğrenme, yapay sinir ağları (YSA) tabanlı bir makine öğrenimi yöntemidir. Realistik veri gruplarından çok sayıda özellik çıkararak yüksek doğruluk oranlarına ulaşmayı hedefler. Özellik çıkarma işlemleri, birden fazla katman halinde gerçekleştirilir ve her katman, önceki katmanlardan elde ettiği verileri kullanarak daha derin anlamlar çıkarır. Bu yöntem, dil işleme, ses tanıma ve görüntü tanıma gibi alanlarda yüksek performans gösterir (Hao ve ark., 2016). Yapay sinir ağları (YSA), biyolojik sinir sistemlerinin çalışma prensiplerini temel alarak tasarlanmış matematiksel modellerdir. Bu sistemler, birbirine bağlı çok sayıda işlem biriminden (nöron) oluşan, parametrelerini iteratif olarak optimize eden ve öğrendiği örüntüler üzerinden çıkarımlar yapabilen kompleks veri işleme mimarileridir (Yılmaz ve Dinçer, 2004). Yapay Sinir Ağı (YSA), evrişim, aktivasyon, havuzlama, bırakma, tam bağlantı ve sınıflandırma katmanlarından oluşmaktadır. YSA'nın girdileri, sınıflandırılması gereken görüntünün pikselleridir. Bu çok katmanlı YSA yapısında, birden fazla tam bağlı katman, aktivasyon katmanı, sınıflandırıcı katman, konvolüsyon katmanı, havuzlama katmanı ve ek katmanlar bulunmaktadır. Bu katmanlar Şekil 1'de detaylı bir şekilde gösterilmektedir. Şekil 1. Çok katmanlı bir YSA yapısı. Şekil 1'de görüldüğü üzere, model birden fazla katmandan oluşmaktadır. Bu katmanlar sırasıyla Pooling (Havuzlama), Fully-Connected(Tam Bağlı) ve Convolution(Konvolüsyon) katmanlarıdır. Konvolüsyon katmanında, her girişe belirli özellikleri çıkarmak amacıyla çeşitli filtreler uygulanmaktadır. Havuzlama katmanı, doğrusal olmayan örnekleme işlemi yaparak çıkışı temele indirir ve ağ yapısının öğrenmesi gereken parametre miktarını azaltır. Bu süreçte, yalnızca etkinleştirilen özellikler bir sonraki katmana iletilir. Özellikler öğrenildikten sonra sınıflandırma aşamasına geçilir ve son katman, her sınıfın olasılığını içeren bir vektörü tutan tam bağlı bir katmandır (Dubey ve ark., 2022). YSA Mimarileri AlexNet, 2012 yılında yayınlandığında derin öğrenme alanında büyük bir atılım gerçekleştirmiştir. 8 katmandan oluşan bu mimari, özellikle ReLU aktivasyon fonksiyonu ve dropout kullanımı ile dikkat çekmiştir. Ancak, günümüzde bu mimari, ağır hesaplama ihtiyacı ve düşük derinliği nedeniyle daha modern mimarilere kıyasla çok daha sınırlı bir performans sunmaktadır. VGGNet, sabit boyutlu 3×3 konvolüyon filtreleri ile çalışan ve katman derinliğini arttırmak suretiyle performansı iyileştiren bir mimaridir. Ancak VGGNet'in en büyük dezavantajı, çok sayıda parametreye sahip olması ve dolayısıyla hesaplama maliyetinin yüksek olmasıdır. GoogleNet, Inception modülünü kullanarak çeşitli boyutlardaki filtreleri aynı anda çalıştırabilen bir mimaridir. Bu tasarım, hesaplama verimliliğini optimize ederek, parametre sayısını azaltmış ve daha hızlı çalışan bir model oluşturmuştur. ResNet50, residual bloklar kullanarak derin ağların karşılaştığı vanishing gradient problemine çözüm getirmiştir. Bu sayede, daha derin ağlar eğitilebilir hale gelmiştir. ResNet50, 50 katmanlı yapısı ile derinlik ve performans arasında çok iyi bir denge sunar. DenseNet, her katmanın önceki tüm katmanlardan gelen bilgileri kullandığı bir yapı sunar. Bu yoğun bağlantı yapısı, parametre etkinliğini arttırarak verimliliği iyileştirir. YOLO, nesne tespiti için çağdaş bir mimaridir. Tüm görüntüyü bir kez analiz ederek, nesnelerin konumunu ve sınıfını aynı anda tahmin eder. Bu, geleneksel bölge tespiti yaklaşımlarına kıyasla daha verimli ve hızlı bir model oluşturur. Performans Karşılaştırması Tablo 1. YSA mimarilerinin performans karşılaştırması YOLO’nun Avantajları Hızlı ve Gerçek Zamanlı Performans: YOLO, tüm görüntüyü bir ağ geçişi süresince analiz eder. Bu nedenle, nesne tespiti ve sınıflandırma için çok hızlıdır. Özellikle tıbbi görüntülemede, zamana duyarlı uygulamalar için önemli bir avantaj sağlar. Tespit Doğruluğu: YOLO, bölge tespiti ve sınıflandırmayı aynı anda yaparak hata oranlarını azaltır. Beyin tümörü tespiti gibi hassasiyetin kritik olduğu uygulamalarda yüksek doğruluk oranları sunar.
|
Bu araştırmanın amacını açıkla.
| null |
Beyin tümörü, kontrolsüz bir şekilde büyüyan anormal beyin kütleleridir. Bu tümörler, kötü huylu (malign) ya da iyi huylu (benign) şeklinde sınıflandırılabilir. Malign tümörler, genellikle hızla büyüyerek çevre dokulara zarar verebilir ve metastaz yapma potansiyeline sahiptir (Khan ve ark., 2020). Beyin tümörlerinin belirtileri arasında baş ağrısı, görme bozuklukları, nöbetler ve zihinsel değişiklikler yer alır (Duncan ve ark., 2019). Tümörlerin doğru bir şekilde teşhis edilmesi, tedavi planlaması ve hastanın prognozu açısından kritik öneme sahiptir. Son yıllarda, yapay zekâ uygulamaları, sağlık alanında çeşitli teşhis ve tedavi süreçlerini geliştirme amacıyla kullanılmaktadır. Bu bağlamda, derin öğrenme yöntemleri, görüntü işleme başta olmak üzere ilgili alanlarda önemli başarılara imza atmıştır (Yılmaz, 2023). Yapay zekâ, bilim dünyasında önemli dönüşümler yaratarak, özellikle makine öğrenmesi alanlarında kayda değer ilerlemeler sağlamıştır. Bu teknikler, büyük veri setlerinden öğrenme yeteneği ile farklı problemlere uygulanabilir hale gelmiş ve sağlık alanında da dikkat çekici başarılar elde edilmiştir (Kumar ve Yadav, 2021; Srivastava ve Nguyen, 2020). Makine öğrenmesinin alt alanı olan derin öğrenme çözümlerinin karar alma mekanizmalarını insan algısına daha yakın hale getirmektedir (Arrieta ve ark., 2020; Gunning ve ark., 2019). Özellikle 2000’li yıllardan itibaren, derin öğrenme algoritmaları, geleneksel makine öğrenmesi yöntemlerinden daha etkili sonuçlar vermeye başlamış ve görüntü işleme gibi alanlarda devrim niteliğinde gelişmelere yol açmıştır (Goodfellow, Bengio ve Courville, 2016; LeCun, 2019). Derin öğrenmenin en yaygın ve etkili uygulamalarından biri Yapa Sinir Ağı (YSA) modelleridir. Bu yapılar, görüntü tabanlı verilerden özellik çıkarımı sağlayarak, sağlık alanı gibi kritik sektörlerde hastalık teşhis süreçlerinde kullanılmaktadır (Zhang ve Tsai, 2006; Albawi, Mohammed ve Al-Zawi, 2017; Yılmaz, 2023; Karadağ ve Özdemir, 2023; Taşdemir ve Barışçı, 2024). Geleneksel yöntemlerin sağladığı yorumlanabilirlik, derin öğrenme tekniklerine entegre edilerek, sağlık uygulamalarında güvenilir bir çözüm sunma potansiyeli taşımaktadır (Adadi ve Berrada, 2018; Xu ve ark., 2019; Aslan ve Çakı, 2023). Son yıllarda, yapay zekâ uygulamaları, sağlık alanında çeşitli teşhis ve tedavi süreçlerini geliştirme amacıyla kullanılmaktadır. Bu bağlamda, derin öğrenme yöntemleri, öncelikle görüntü işleme önemli konusunda başarılar elde etmiştir. YOLO (You Only Look Once) mimarisi, bu tekniklerden biridir. Nesne tespiti görevlerini hızlı ve etkili bir şekilde gerçekleştirebilmektedir (Redmon ve ark., 2016). YOLO, görüntüyü bir bütün halinde kabul ederek, nesneleri aynı anda tanıma becerisine sahiptir. Bu özellik, tümörlerin tespiti için büyük bir avantaj sunmaktadır. Çünkü beyin taramalarında, tümörlerin boyutları ve konumları çok çeşitli olabilir. Beyin tümörü teşhisinin karmaşıklığı ve hızlı büyümesi, bu alanda yapay zeka uygulamalarına olan ihtiyacı daha da artırmaktadır (Toğaçar ve ark., 2020). YOLO mimarisinin ve beyin tümörü tespiti için kullanılması, görüntü verilerinin verimli bir şekilde analiz edilmesini mümkün kılar. Bu yöntem, MRI, CT ve ultrason gibi farklı görüntüleme tekniklerinden elde edilen verileri işleyerek, tümörlerin yerlerini ve boyutlarını belirleyebilir. Aynı zamanda, YOLO'nun yüksek doğruluk oranı, klinik uygulamalarda karar destek sistemleri için güvenilir bir çözüm sunmaktadır (Zhang ve ark., 2021). Arştırmamız kapsamında, YOLO mimarisi kullanılarak beyin tümörlerinin etkili bir şekilde tespit edilmesi hedeflenmektedir. Böylece, sağlık profesyonellerine daha hızlı ve doğru tanı koyma imkânı sağlanarak, tedavi süreçlerinin iyileştirilmesi amaçlanmaktadır. Derin öğrenme ve özellikle YSA teknikleri, farklı görüntü verileri (MR, CT, ultrason vb.) üzerinden hastalık teşhislerinde yaygın olarak kullanılmaktadır (Köse ve Alzubi, 2020; Moon ve ark., 2020). Bu araştırmada, güncel derin öğrenme mimarilerinden YOLOv11 algoritması kullanılarak beyin MR görüntülerinden tümör tespiti ve sınıflandırması yapabilen bir karar destek sistemi geliştirilmesi hedeflenmektedir. Önerilen sistem, radyologların iş yükünü azaltmayı, tanı sürecini hızlandırmayı ve farklı sağlık kurumları arasında standardizasyonu sağlamayı amaçlamaktadır. Sistem aynı zamanda, tümörün boyutu ve konumu hakkında detaylı bilgi sağlayarak tedavi planlamasına katkıda bulunmayı hedeflemektedir. araştırmamızın amacı, beyin tümörü tespiti için açıklanabilir bir Yapay Sinir Ağı (ESA) modeli geliştirmek ve etkinliğini test etmektir. Bu bağlamda, geliştirilen modelin, sağlık profesyonellerinin karar verme süreçlerinde destekleyici bir rol oynaması hedeflenmektedir. Ayrıca araştırmamız “beyin tümörü türlerinin (glioma tümörü, meneniyom tümörü, hipofiz tümörü) YSA modeli olan YOLO v11 ile erken teşhisi” konusunda alandaki problem durumuna cevap verecektir.
|
README.md exists but content is empty.
- Downloads last month
- 1