Derin öğrenme algoritmaları ile biyomedikal görüntülerden anomali tespiti

Abstract

Tıbbi görüntülerdeki anomalilerin bilgisayar destekli tespiti büyük öneme sahiptir. Bu alanda yapılan birçok araştırmaya rağmen, aşılması gereken birçok problem yeni çalışmalara kapı aralamaktadır. Bu çalışmanın amacı, Derin Öğrenme yöntemlerini kullanarak medikal görüntüler üzerinden tam otomatik olarak anomali tespiti yapmak ve sınıflandırmaktır. Ayrıca bu işlemi yaparak radyologlar üzerinde biriken yükü azaltmak ve insan hatasını asgari orana indirmektir. Çalışmada MURA (Stanford X-RAY kemik görüntüsü veri seti) ve EDD2020 (Endoskopi Hastalığı Tespiti ve Bölütleme yarışması) veri seti olarak kullanılmıştır. Bu veri setleri üzerinden Tensorflow ve Darknet kütüphaneleri üzerinden Mask R-CNN, YOLOv3, ResNet ve U-Net mimarileri kullanılarak derin öğrenme modelleri eğitilmiştir. Humerus (pazu kemiği) kemiklerinin X-RAY görüntüleri üzerindeki anomalilerinin tespiti için tasarlanan 12 ResNet bloğuna sahip modelde, test verilerindeki anomali tahminleri Cohen Kappa metriği ile 0,9568 oranında başarım elde etmiştir. YOLOv3 mimarisi ile EDD2020 veri kümesi üzerine eğitilmiş modelin F1- Doğruluk Ölçümü 0,46, ortalama hassasiyetin ortalaması mAP skoru ise 0,37 oranında kalmıştır. Endoskopi görüntülerinde anomali tespiti ve bölütleme için Mask R-CNN ve U-Net mimarileri kullanılarak iki ayrı model geliştirilmiştir. Mask R-CNN'de oluşturulan modelin AP skoru 0,20; U-Net'te oluşturulan modelin AP skoru ise 0,83 oranındadır. Gerçekleştirilen tüm yöntemler, radyoloji uzmanlarının yükünü azaltarak yol gösterici bir araç olarak önerilmektedir.

The computer aided detection of anomalies in medical images has great importance. Many problems, which need to be overcome, lead to new studies despite many researches in this area. The aim of this study is to detect and classify abnormalities fully automatically on medical images using Deep Learning methods. In addition, it is to reduce the burden accumulated on radiologists and to minimize human error in the process. In the study, MURA (Stanford Bone X-Ray Dataset) and EDD2020 (Endoscopy Disease Detection and Segmentation) were used as dataset. Through these datasets, deep learning models were trained using Mask R-CNN, YOLOv3, ResNet and U-Net architectures over Tensorflow and Darknet libraries. The model with 12 ResNet blocks, designed for the detection of anomalies on the X-RAY images of the Humerus bones, has achieved 0,9568 success with the Cohen Kappa metric in the test data. With the YOLOv3 architecture, the model trained on EDD2020 dataset has an F1-Score of 0,46 and a mAP score of 0,37. Two different models have been developed by using Mask R-CNN and U-Net architectures for anomaly detection and segmentation in endoscopy images. The AP score of the model created in Mask R-CNN is 0,20; and the AP score of the model created in U-Net is 0,83. All performed methods are suggested as a guiding tool by reducing the burden of radiologists.