Derin öğrenme yöntemleri ile görüntü üzerinde diyabetik ayak ülserinin tespit edilmesi

Abstract

Bu çalışma kapsamında derin öğrenme yöntemleri ile görüntü üzerindediyabetik ayak ülserlerinin tespiti çalışılmıştır.Evrişimsel sinir ağları nesne tespiti ile ilgili yarışmalarda başarısınıkanıtlamıştır. Bu sebeple bu çalışmada da uygun bir yaklaşım olduğudüşünülmüştür ve başarı ile uygulanmıştır. Tasarlanan modelde Faster RCNN ilebirlikte ResNet50 ve MobileNetV2 mimarileri kullanılmıştır. DFUC2020yarışmasında kullanılan 2000 diyabetik ayak ülser görüntüsü ve uzmanlartarafından işaretlenmiş referansları içeren veri seti edinilmiştir. Tasarlananmodeller Google Colab servisi kullanılarak eğitilmiştir ve hesaplanan ağırlıklardondurularak depolanmıştır. Eğitilen modeller tahmin hızı, diskteki boyutu vemAP skorları ile karşılaştırılmıştır.ResNet50 ile tasarlanan Faster RCNN modeli ile 43 mAP skoru ile 34 mAPskoru elde edilen MobileNetV2 ile tasarlanan Faster RCNN modeline göre dahabaşarılı sonuçlar elde edilmiştir. Dondurulmuş ağırlıklarının ResNet50 veMobileNetV2 ile tasarlanan Faster RCNN modellerinin diskteki boyutları sırasıyla158 ve 120 MB olduğu gözlemlenmiştir ve yine sırasıyla bir görüntü için tahminsüreleri sırasıyla 24 ms ve 10 ms olarak ölçülmüştür.

Within the scope of this study, the detection and localization of diabetic footulcers on the image was studied with deep learning methods.Convolutional neural networks have proven success in many objectdetection and localization related competitions. For this reason, it was thought tobe an appropriate approach for this study, and it was applied successfully. In thisscope, two Faster RCNN method proposed with the MobileNetV2 and ResNet50backbone. Data set including 2000 diabetic foot ulcer images and referencesmarked by experts has been gotten. The proposed models have been trained withGoogle Colab service and calculated weight are frozen and stored. The models arecompared by mAP scores, estimation time and model size.With the ResNet50 backbone Faster RCNN model we acquired 43 mAPscore and with the other model that proposed with MobileNetV2 Faster RCNNacquired 34 mAP. As expected with the Faster RCNN with ResNet 50 backbonemodel has gotten better results. The size of proposed models on disk haveobserved for Faster RCNN ResNet50 158 MB and for Faster RCNNMobileNetV2 120MB. The estimation time for one image has been observed 24ms for Faster RCNN with ResNet50 models and 10 ms for MobileNetV2 models.