Derin öğrenme ile covıd-19, beyaz kan hücreleri, tüberküloz ve kalp krizi riskinin analizi
Özet
Tıbbi görüntü verilerinin analizi, hastalıkların teşhisi ve buna bağlı olarak insan hayatı için kritik önem arz etmektedir. Son dönemde gerek akademik gerekse de tıp dünyasındaki potansiyeli sebebiyle röntgen, tomografi, ve MR gibi görüntülerin ve hastanın tahlillerinden elde edilen metin tabanlı verilerin işlenerek, hastanın durumuyla ilgili tespit yapılması yapay zekada en öne çıkmış çalışma alanlarından biridir. Bu tez çalışması kapsamında; röntgenler, mikroskobik kan hücreleri ve kalp krizi bulgularından hastalık teşhisi çalışmaları ve derin öğrenme teknikleri birleştirilerek optimize bir model üretilmiştir. Bu bağlamda çalışma boyunca üretilen model, hibrit bir modele dayalı yeni bir derin öğrenme tabanlı mimari sunmaktadır. Mimari temel olarak transfer öğrenme metodolojisinde otomatik kodlayıcı ve SVM sınıflandırıcı kullanılarak önceden eğitilmiş ağlara dayalı olarak tasarlanmıştır. Burada önerilen yöntemin temel katkıları; literatürde çoğunlukla kullanılan, önceden eğitilmiş modelleri optimize edilmiş bir Şekilde birleştiren bir hibrit model önermesi ve ayrıca evrişimli sinir ağı üzerinde öznitelik iyileştirilmesi işlemi için yeni bir sezgisel algoritma modellemesi geliştirilmesidir. Kapsamlı veri setleri temel alınarak gerçekleştirilen performans karşılaştırmaları, önerilen mimarinin literatürdeki diğer gelişmiş mimarilerden daha başarılı sonuç verdiğini göstermiştir.