Otomatik inme sınıflaması: İmkansız piksellerin eliminasyonuyla etkinleştirilmiş transfer öğrenme yaklaşımı
| dc.contributor.author | ilker özgür koska | |
| dc.contributor.author | Çağan Koska | |
| dc.contributor.author | António Fernandes | |
| dc.contributor.author | Koska, Çağan | |
| dc.contributor.author | Fernandes, António | |
| dc.contributor.author | Koska, İlker Özgür | |
| dc.date.accessioned | 2025-10-22T16:04:56Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Amaç: Derin öğrenme yöntemleri ve özellikle evrişimsel sinir ağları (CNN) tıbbi görüntü sınıflamasında otomatizasyon açısından geliştirilen uygulamalarda altın standart niteliğindedir. İnme görüntülemesinde zaman oldukça kritik olup hızlı müdahale ile morbidite ve mortalite azaltılabilmektedir. Bu çalışmada amacımız hızlı inme triajı ve uygun tedavi seçimi sağlayacak iskemik inme ile hemorajik inmeyi birbirinden ayırt edebilen otomatize yöntem geliştirmektir. Yöntemler: Teknofest sağlıkta yapay zekâ yarışması tarafından sağlanan kimliksizleştirilmiş ve anonimleştirilmiş 2000 adet iskemik inme 2000 adet hemorajik inme içeren bilgisayarlı tomografi (BT) kesitleri kullanılarak MobileNet ve EfficientNet CNN mimarileri transfer öğrenme metodolojisi ile özel bir imkansız piksel değeri ve uzamsal lokalizasyonları dışlama stratejisi kullanılarak arama uzayı daraltılmış ve otomatik inme sınıflaması sağlanmıştır. Bulgular: [0-1] normalizasyon ve 224*224’ e girişin ayarlanması dışında ön işleme yapılmayan grupta adapte MobileNetV2 ile 0.74 ve adapte EfficentNetB0 ile 0.72 doğruluk değerleri elde edildi. Öte yandan kemik yapıların çıkarıldığı ve piksel değerlerin imkânsız değerler elimine edilerek kısıtlandığı veri dönüşümü uygulanan grupta MobileNetV2 ile 0.91 ve EfficientNetB0 ile 0.88 doğruluk düzeyine ulaşıldı. Sonuç: Derin öğrenme yöntemleri kullanılarak inme teşhisi radyoloji uzmanı olmayan inme görüntülemeye aşina olmayan ancak inme triaj ve sağaltımında aktif rol oynayan sağlık personelleri için özellikle yararlı olabilir. Bu şekilde tedaviden fayda görecek hastanın seçimi ve tedavi kararının verilme hızı artırılabilir. Sonuç olarak iskemik-hemorajik inme sınıflandırmada yüksek doğruluk oranlarına ulaşan çalışmamız otomatik inme tespitine katkı sağlayabilir ve hekimlerin hızlı ve uygun tedavi kararları vermelerine yardımcı olabilir. | |
| dc.identifier.citation | 1. Krizhevsky A Sutskever I Hinton GE. ImageNet classi- fication with deep convolutional neural networks. Com- munications of the ACM. 2012,60:84-90.2. Simonyan K Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arX- iv:1409.1556 [cs.CV]3. Szegedy C Liu W Jia Y et al. Going deeper with convo- lutions in: Proceedings of the IEEE conference on com- puter vision and pattern recognition. arXiv:1409.4842 [cs.CV]4. Kaming H Zhang X Residual Learning for Image Rec- ognition. arXiv:1512.03385 [cs.CV]5. https://www.image-net.org/ Accessed date: Mar 11 20216. https://grand-challenge.org/aiforradiology/ Radboud University Medical Center Access date: 20227. https://www.kaggle.com/c/rsna-intracranial-hemor- rhage-detection Access date: 13.11. 20198. https://zenodo.org/record/1199398 Access date: 03.08. 20179. Chilamkurthy S Gosh R Tanamala S et al. Develop- ment and validation of deep learning algorithms for de- tection of critical findings in CT scans. arxiv:1803.05854 [cs.CV]10. Gulli A Pal S (Edited by) Deep learning with Keras Packt Publishing Ltd. 201711. Koç U Akçapınar Sezer E Özkaya YA et al. Artificial intel- ligence in healthcare competition (TEKNOFEST-2021): Stroke data set. Eurasian J Med. 2022,54(3):248-5812. Sandler M Howard A Zhu M Zhmoginov A Chen LC. MobileNetV2: Inverted residuals and linear bottlenecks in: 2018. IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018,4510–20.13. Tan M Le Q. EfficientNet: rethinking model scaling for convolutional neural networks in: Proceedings of the 36th International Conference on Machine Learning ICML. 2019,97:6105–14.14. Nazari-Farsani S Nyman M Karjalainen T Bucci M Isojärvi J Nummenmaa L. Automated segmentation of acute stroke lesions using a data-driven anomaly detec- tion on diffusion weighted MRI. J Neurosci Methods. 2020,333:108575.15. Anbumozhi S. Computer aided detection and diagnosis methodology for brain stroke using adaptive neuro fuzzy inference system classifier. Int J Imaging Syst Technol. 2020,30:196–202.16. Pereira DR Filho P Rosa GD Papa JP Albuquerque VHC. Stroke lesion detection using convolutional neu- ral networks in: 2018 International Joint Conference on Neural Networks (IJCNN). 2018,1–6.17. Chin C Lin B Wu G. et al. An automated early ischemic stroke detection system using CNN deep learning algo- rithm in: 2017 IEEE 8th International Conference on Awareness Science and Technology (iCAST). 2017,368- 72.18. Marbun JT Seniman U. Classification of stroke disease using convolutional neural network J Phys: Conf Ser. 2018,978:01209219. Desai V Flanders AE Lakhani P. Application of deep learning in neuro- radiology: automated detection of basal ganglia hemorrhage using 2D-convolutional neu- ral networks. arXiv:1710.03823 [cs.CV]20. Arbabshirani MR Fornwalt BK Mongelluzzo GJ et al. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Digit Med. 2018,1:921. Öman O Mäkelä T Salli E Savolainen S Kangasniemi M. 3D convolutional neural networks applied to CT an- giography in the detection of acute ischemic stroke. Eur Radiol Exp. 2019,3(1):8.22. Takahashi N Lee Y Tsai DY Matsuyama E Kinoshita T Ishii K. An automated detection method for the MCA dot sign of acute stroke in unenhanced CT. Radiol Phys Technol. 2014,7(1):79-88.23. Weber JE Ebinger M Rozanski M et al. Prehospital thrombolysis in acute stroke: results of the PHANTOM- S pilot study. Neurology. 2013,80(2):163-8. | |
| dc.identifier.doi | 10.21673/anadoluklin.1379589 | |
| dc.identifier.issn | 2149-5254 | |
| dc.identifier.issn | 2458-8849 | |
| dc.identifier.uri | https://gcris.yasar.edu.tr/handle/123456789/10447 | |
| dc.identifier.uri | https://search.trdizin.gov.tr/en/yayin/detay/1274648 | |
| dc.language.iso | İngilizce | |
| dc.relation.ispartof | Anadolu Kliniği Tıp Bilimleri Dergisi | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.source | ANADOLU KLİNİĞİ TIP BİLİMLERİ DERGİSİ | |
| dc.subject | Radyoloji, Nükleer Tıp, Tıbbi Görüntüleme | |
| dc.subject | Klinik Nöroloji | |
| dc.title | Otomatik inme sınıflaması: İmkansız piksellerin eliminasyonuyla etkinleştirilmiş transfer öğrenme yaklaşımı | |
| dc.type | Article | |
| dc.type | Article | |
| dspace.entity.type | Publication | |
| gdc.author.id | 0000-0002-0446-4422 | |
| gdc.author.id | 0000-0003-0971-3827 | |
| gdc.author.id | 0000-0003-0484-5046 | |
| gdc.bip.impulseclass | C5 | |
| gdc.bip.influenceclass | C5 | |
| gdc.bip.popularityclass | C5 | |
| gdc.coar.type | text::journal::journal article | |
| gdc.collaboration.industrial | false | |
| gdc.description.department | ||
| gdc.description.departmenttemp | [Koska, Çağan] Yaşar Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, İzmir, Türkiye; [Fernandes, António] Sliced Group; [Koska, İlker Özgür] İzmir Behçet Uz Eğitim Ve Araştırma Hastanesi, Radyoloji Bölümü, İzmir, Türkiye | |
| gdc.description.endpage | 267 | |
| gdc.description.issue | 3 | |
| gdc.description.publicationcategory | Makale - Uluslararası Hakemli Dergi - Kurum Öğretim Elemanı | |
| gdc.description.startpage | 260 | |
| gdc.description.volume | 29 | |
| gdc.identifier.openalex | W4393339180 | |
| gdc.identifier.trdizinid | 1274648 | |
| gdc.index.type | TR-Dizin | |
| gdc.oaire.accesstype | GOLD | |
| gdc.oaire.diamondjournal | false | |
| gdc.oaire.impulse | 1.0 | |
| gdc.oaire.influence | 2.4307425E-9 | |
| gdc.oaire.isgreen | false | |
| gdc.oaire.popularity | 2.9660898E-9 | |
| gdc.oaire.publicfunded | false | |
| gdc.openalex.collaboration | National | |
| gdc.openalex.fwci | 0.1916 | |
| gdc.openalex.normalizedpercentile | 0.44 | |
| gdc.opencitations.count | 1 | |
| gdc.plumx.mendeley | 1 | |
| oaire.citation.endPage | 267 | |
| oaire.citation.startPage | 260 | |
| publicationissue.issueNumber | 3 | |
| publicationvolume.volumeNumber | 29 | |
| relation.isOrgUnitOfPublication | ac5ddece-c76d-476d-ab30-e4d3029dee37 | |
| relation.isOrgUnitOfPublication.latestForDiscovery | ac5ddece-c76d-476d-ab30-e4d3029dee37 |