Optimize derin öğrenme mimarileri ile diz kireçlenme derece tespiti

Abstract

Kronik dejeneratif bir eklem rahatsızlığı olan osteoartrit (OA), vücudun farklı bölgelerinde çeşitli nedenlerle ortaya çıkabilmektedir. En yaygın hastalık türü olan diz OA, hem halk sağlığı üzerinde olumsuz bir etkiye hem de sosyal ekonomi üzerinde ciddi bir yüke neden olmakta ve röntgen görüntülerinde derecelendirilmesi zorlu bir konu teşkil etmektedir. Bu sorunu ele almak için, tez çalışmasının ana amacını oluşturan optimize edilmiş transfer öğrenme tabanlı modeller hem çoklu hem de ikili kategorizasyon görevleri üzerinde kapsamlı bir şekilde incelenmektedir. Transfer öğrenme modellerinin hiperparametre düzenlemesi, ayrık ve sürekli bir optimizasyon problemi olarak ele alınmakta ve bu rekabetçi – nonlineer polinomal problemi verimli bir şekilde çözmek için gelişmiş optimizasyon yöntemleri karşılaştırılmaktadır. X-ray diz OA görüntülerini sınıflandırmak için dört etkili optimizasyon yöntemi (ASPSO, KDA-PSO, KYA, MSGO) ve dört etkin transfer öğrenme modeli (MobileNetV2, ResNet18, ResNet50, ShuffleNet) kullanılarak on altı optimize edilmiş mimari tasarlanmıştır. Hem ikili hem de çok sınıflı kategorizasyonlar üzerine yapılan deneylere göre MSGO algoritmasının yüksek performans sağladığı ve transfer öğrenme tabanlı modellerin hiperparametre ayarlaması için en kararlı yöntem olduğu görülmüştür. Ayrıca MobileNetV2 ve ResNet tabanlı modellerin, artık blokların kullanımı sayesinde yüksek doğruluk oranları elde edebildiği ve X-ray görüntüleme temelli sınıflandırma için daha uygun olduğu tespit edilmiştir. Sonuç olarak; ResNet50-MSGO ve MobileNetV2-KYA mimarileri ortalama doğruluk temelli değerlendirmelere göre çoklu sınıflama için sırasıyla %93,15 ve %93,29 başarı kaydederken, ResNet18-KDA-PSO ve MobileNetV2-MSGO mimarileri ikili sınıflama için en yüksek doğruluk skorunu (%99,43) sağlamışlardır.

Osteoarthritis (OA), a chronic degenerative joint disorder, can occur in different parts of the body for various reasons. As the most common type of disease, knee OA (KOA) causes both a negative impact on public health and a serious burden on the social economy of which grading constitutes a challenging issue on X-ray images. In this paper, to handle this issue, the optimized transfer learning-based models are extensively examined which constitute the main aim of our paper on both multi- and binary-categorization tasks. The hyperparameter arrangement of transfer learning (TL) models is handled as a discrete & continuous optimization problem, and state-of-the-art optimization methods are chosen and compared to efficiently solve this competitive – NP-hard problem. Sixteen optimized architectures are designed using four influential optimization methods (ASPSO, CDW-PSO, CSA, MSGO) and four effective TL models (MobileNetV2, ResNet18, ResNet50, ShuffleNet) to classify the X-ray KOA images. Regarding the experiments on both binary and multiclass categorizations, it's seen that the MSGO algorithm arises as the robust method to be considered for hyperparameter tuning of TL-based models by achieving high performance. In addition, it's seen that MobileNetV2 and ResNet-based models come to the forefront of X-ray imaging-based classification by achieving high accuracy rates due to the usage of residual blocks. Consequently, in terms of mean accuracy, ResNet50-MSGO and MobileNetV2-CSA respectively record 93.15% and 93.29% success rates on multiclass categorization, whilst ResNet18-CDW-PSO and MobileNetV2-MSGO provide the same highest score (99.43%) on binary categorization.