Derin öğrenme algoritmaları kullanılarak dış ve orta kulak hastalıklarının tespit edilmesi

Abstract

Kulak hastalıkları erken teşhis ve uygun tıbbi bakım ile kolaylıkla tedavi edilebilir. Bununla birlikte, uzman sayısının az olması ve nispeten düşük teşhis doğruluğu, derin öğrenmenin önemli bir rol oynayabileceği yeni bir teşhis stratejisi gerektirmektedir. Bu tezde, klinik ortamda elde edilen çok sayıda otoendoskopik görüntüden yola çıkılarak kulak hastalıklarını tespit etmek için derin öğrenme modelleri kullanılmakta ve bu modellerin başarı oranları gösterilmektedir. Bu tezde, kulak hastalıklarını kapsayan 10 adet hastalık sınıfına (Normal, Adesiv, Akut Otit, Eksternal, Miringoskleroz, Opere, Perfore, Seröz, Serümen, Süpüratif Kronik Otit) sahip bir veri seti kullanılmıştır. Bu veri setinde 1049 adedi sağlıklı (Normal) ve 1076 adedi hastalıklı olmak üzere toplam 2.125 otoendoskopik görüntü bulunmaktadır. Ayrıca bu veri setine çeşitli ön işlemler ve veri artırımı işlemleri uygulanmıştır. Bu veri setinde yer alan hastalıkları sınıflandırmak için Evrişimsel Sinir Ağları (CNN) yöntemine başvurulmuştur. Sınıflandırma işleminin gerçekleştirilebilmesi için önceden eğitilmiş EfficientNetB2, EfficientNetB3, InceptionV3, Resnet50, Resnet50V2, ResNet101, ResNet101V2, VGG-16, Xception ve InceptionResNetV2 modelleri kullanılmıştır ayrıca bu modellerin tam bağlı katmanlarına 2048 ve 1024 nörondan oluşan iki adet gizli katman eklenmiştir. Bu tezde farklı optimizer algoritmaları ve farklı epok-batch size değerleri ile deneyler yapılmıştır. Optimizer deneylerinin neticesinde Adam optimizer en iyi sonucu vermiştir ve epok- batch size deneylerinde kullanılmıştır. Epok- batch size deneylerinde ise en iyi sonucu 40 epok – 32 batch size çalışmasında %96 doğruluk değeri ile EfficientNetB2 ve ResNet50 modelleri vermiştir. CNN modelleri tarafından en iyi tanınan hastalıklar ise Adesiv ve Opere hastalıkları olmuştur.

Ear diseases are easily treatable with early detection and appropriate medical care. However, the small number of experts and the relatively low diagnostic accuracy require a new diagnostic strategy in which deep learning can play an important role. In this thesis, deep learning models are used to detect ear diseases based on a large number of autoendoscopic images obtained in the clinical setting and the success rates of these models are shown. In this thesis, a data set with 10 disease classes (Normal, Adesiv, Akut Otit, Eksternal, Miringoskleroz, Opere, Perfore, Seröz, Serümen, Süpüratif Kronik Otit) covering ear diseases was used. In this data set, there are a total of 2,125 autoendoscopic images, of which 1049 are healthy (normal) and 1076 are diseased. In addition, various pre-processes and data augmentation processes were applied to this data set. Convolutional Neural Networks (CNN) method was used to classify the diseases in this data set. Pre-trained models EfficientNetB2, EfficientNetB3, InceptionV3, Resnet50, Resnet50V2, ResNet101, ResNet101V2, VGG-16, Xception and InceptionResNetV2 were used to perform the classification process, and two hidden layers consisting of 2048 and 1024 neurons were added to the fully connected layers of these models. In this thesis, experiments were carried out with different optimizer algorithms and different epoch-batch size values. As a result of the optimizer experiments, the Adam optimizer gave the best results and was used in the epoch-batch size experiments. EfficientNetB2 and ResNet50 models gave the best results in epoch-batch size experiments, with an accuracy of 96% in 40 epoch-32 batch size studies. Adesiv and Opere diseases were the diseases best recognized by CNN models.