Dengesiz ve uzun kuyruklu dağılımlar ile dayanıklı tıbbi görüntü sınıflandırması

Abstract

Medikal görüntü analizi, derin öğrenme tekniklerindeki hızlı ilerlemelerle son yıllarda önemli bir gelişme göstermiştir. Ancak uzun kuyruklu sınıf dağılımları, veri dengesizliği ve gürültülü etiketler gibi sorunlar, modellerin genellenebilirliğini ve klinik güvenilirliğini sınırlamaya devam etmektedir. Bu tez, bu zorlukları iki klinik uygulama üzerinden ele almakta; nadir görülen cilt hastalıklarının sınıflandırılması ve ülseratif kolit hastalarında endoskopik görüntülerden hastalık şiddetinin tahmini üzerine odaklanmaktadır. Cilt hastalıkları sınıflandırması için, uzun kuyruklu dağılımlar altında farklı öğrenme stratejilerini sistematik biçimde inceleyen bir değerlendirme çerçevesi geliştirilmiştir. Transfer, meta ve özdenetimli yaklaşımlar, ISIC2018, Derm7pt ve SD-198 veri kümeleri üzerinde karşılaştırılarak nadir ve az temsil edilen sınıflara uyum yetenekleri analiz edilmiştir. Ayrıca modeller, daha önce hiç görülmeyen sınıflar üzerinde test edilerek alan genelleme yeteneği değerlendirilmiştir. Elde edilen sonuçlar, MixUp, CutMix ve ResizeMix gibi veri artırma teknikleriyle birleştirilen transfer öğrenme modellerinin, mevcut yöntemlere kıyasla daha yüksek doğruluk ve genellenebilirlik sağladığını göstermiştir. Önerilen çerçeve, uzun kuyruklu öğrenme ile alan genelleme arasındaki ilişkiyi bütüncül bir bakış açısıyla ele almaktadır. Ülseratif kolit analizinde ise, etiket gürültüsü ve hastalık şiddeti sınıflarının doğal sıralı yapısı dikkate alınarak müfredat öğrenme tabanlı bir yaklaşım tasarlanmıştır. Görüntü kalitesine göre belirlenen zorluk sıralaması sayesinde modelin kademeli ve dengeli öğrenmesi sağlanmış; LIMUC ve HyperKvasir veri kümelerinde doğruluk ve kappa metriklerinde anlamlı iyileşmeler elde edilmiştir. Genel olarak, önerilen yöntemler uzun kuyruklu ve gürültülü medikal görüntü verilerinde eğitilen derin modellerin dayanıklılığını, açıklanabilirliğini ve alan genelleme yeteneğini artırmakta; yeniden eğitime gerek duymadan farklı klinik ortamlara uyarlanabilen güvenilir klinik karar destek sistemlerinin geliştirilmesine katkı sunmaktadır.