Derin Öğrenme ile Göğüs Röntgenlerinden Hastalık Teşhisi

Tıpta erken tanı dendiği zaman kişide henüz hastalık belirtisi yokken veya herhangi bir sıkıntı duymazken hastalığın tanımlanması anlaşılır. Günümüzde tıp dünyasında hastalıkların tedavisinde erken tanı önemli bir rol oynamaktadır. Çünkü erken tanı birçok hastalığın ilerlemesinin önüne geçen çok önemli bir adımdır. Hastalıkta tanı ne kadar erken konulursa tedavinin başarısı da buna bağlı olarak artmaktadır. Ayrıca tedavi için kişiye ve doktora zaman kazandırmaktadır. Binlerce insanın sağlığını etkileyen göğüs hastalıklarının teşhisi için göğüs röntgenlerini kullanmak halen en iyi yöntemdir. Fakat uzman radyolog sayısının yeterli olmayışı raporların okunmasında ciddi zaman kaybına neden olmaktadır. Bu durum, göğüs röntgenlerine teşhis koyabilecek bir bilgisayar sistemine ihtiyaç olduğunu göstermektedir. Bu tezin konusu olan çalışma, bu alandaki ihtiyacı gidermeye çalışacak derin öğrenme tabanlı bir konvolüsyonel sinir ağı modeli ortaya koymaktır. Tez çalışmasında geliştirilen konvolüsyonel sinir ağı ve literatürde sıklıkla kullanılan önceden eğitilmiş hazır modeller ulusal sağlık enstitülerinin yayınladığı 30.805 farklı hastanın 112.120 adet önden görünümlü göğüs röntgeninden oluşan Chest X-ray14 veri seti kullanılarak eğitilmiştir. Veri setindeki röntgenler 14 farklı göğüs hastalığının bir ya da bir kaçını veya sağlıklı bir bireyi temsil etmektedir. Bu açıdan bakıldığında çözülmek istenen problem çoklu etiket sınıflandırma problemidir. Keras kütüphanesinde, python programlama dili kullanılarak geliştirilen model ve hazır modeller ile yapılan deneysel çalışmalarda literatüre oranla daha başarılı sonuçlar elde edilmiştir.

When early diagnosis is mentioned in medicine, it is understood that the disease is defined when the person does not have any signs of the disease or does not have any distress. Today, early diagnosis plays an important role in the treatment of diseases in the medical world. Because early diagnosis is a very important step in preventing the progression of many diseases. The earlier the diagnosis is made, the more successful the treatment will be. It also saves time for the person and the doctor for treatment. Using chest X-rays is still the best method for diagnosing chest diseases that affect the health of thousands of people. However, the insufficient number of specialist radiologists causes a serious loss of time in reading the reports. This indicates the need for a computer system that can diagnose chest X-rays. The study, which is the subject of this thesis, is to present a deep learning-based convolutional neural network model that will try to meet the need in this area. The convolutional neural network developed in the thesis study and pre-trained ready-made models that are frequently used in the literature were trained using the Chest X-ray14 dataset consisting of 112.120 frontal chest X-rays of 30,805 different patients published by the national health institutes. X-rays in the dataset represent one or more of 14 different chest diseases or a healthy individual. From this point of view, the problem to be solved is the multi-label classification problem. In the Keras library, more successful results were obtained in experimental studies with the model and ready-made models developed using the python programming language compared to the literature.