Medikal Görüntülerin Sınıflandırılmasında Kapsül Ağ Tabanlı Derin Öğrenme Mimarilerinin Geliştirilmesi

Özet

Medikal görüntülerde küçük detaylar, hastalık teşhisinde oldukça önemli olabilmektedir. Bu nedenle bu görüntülerin doğru ve hassas bir şekilde analiz edilmesi gerekmektedir. Kapsül Ağlar (CapsNet) görüntüdeki nesnelerin yönelim, renk, doku gibi bilgilerini kapsüller içinde saklayarak, nesnelerle ilgili uzamsal ve hiyerarşik ilişkileri dikkate almakta ve az sayıda veri ile iyi bir performans gösterebilmektedir. CapsNet’in bu avantajlı yönlerinin sağlık alanında kullanımı, hastalıkların doğru ve hassas bir şekilde teşhis edilmesine imkan tanıyabilmektedir. Ancak medikal görüntülerdeki ayrıntıları yakalamak için geleneksel CapsNet’in özellik çıkarma aşaması yetersiz kalmaktadır. Bu sorunu çözmek amacıyla derinleştirilen modellerde hesaplama maliyeti artmaktadır. Bu tez çalışmasında çıkarılan özellik sayısını arttırırken hesaplama maliyetini sabit tutmak hedeflenmiş ve CapsNet’in avantajlı yönlerini kullanarak karmaşık medikal görüntülerin sınıflandırılmasında yüksek güvenirlik ve doğruluğa sahip üç yeni CapsNet modeli geliştirilmiştir. Bu modellerde CapsNet katmanlarının derinleştirilmesi ile sınıflandırma doğruluğunun artırılması sağlanmıştır. Yapılan model geliştirme çalışmalarında katman artışının kaybolan gradyan problemine neden olmaması için artık bloklardan faydalanılmıştır. İlk çalışmada artık blok ve artık blok gibi atlamalı bağlantılara sahip olan FractalNet modülü kullanılmış ve yeni bir ezme fonksiyonu önerilmiştir. İkinci çalışma da mevcut arka arkaya mimari yerine paralel şeritlerden oluşan mimarinin CapsNet’in sınıflandırma performansına etkisi incelenmiştir. Ayrıca artık blok sayısının sınıflandırmaya etkisi de gözlemlenmiştir. Üçüncü çalışmada ise CapsNet’in sınıflandırma performansının iyileştirilmesi amacıyla derinleştirilen ağın sebep olduğu artan parametre sayısını azaltmak hedeflenmiştir. CapsNet’in konvolüsyon katmanı yerine artık blok ve konvolüsyonel blok dikkat modülü (CBAM- Convolutional Block Attention Module) kullanılmıştır. Artık blok çıkarılan özellik sayısının arttırılmasını, CBAM ise bu özelliklerden önemli olanların seçilmesini sağlamıştır. Bu sayede üzerinde işlem yapılan özellik sayısı ve modelin parametre sayısı azalmıştır. Önerilen bu yaklaşımların değerlendirilmesi için karmaşık görüntülere sahip CIFAR10 veri seti ve çeşitli medikal veri setleri kullanılmıştır. Bu veri setleri retinal görüntüler, kan hücresi görüntüleri, göğüs röntgeni görüntüleri, cilt lezyonu görüntüleri ve beyin MR görüntüleri içermektedir. Deneysel çalışmalar sonucunda elde edilen performans değerleri, geliştirilen yaklaşımların mevcut CapsNet modelinin medikal görüntüleri sınıflandırma yeteneğini iyileştirdiğini ve CapsNet modelinin daha kararlı hale geldiğini göstermektedir.