Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım

Abstract

Doğumdan sonraki ilk yirmi sekiz gün yenidoğan periyodu olarak adlandırılmaktadır. Doğumsal anomaliler veya sonradan gelişen hastalıklar bu süre içinde ölüm oranının yüksek olmasına neden olmaktadır. Yenidoğan yoğun bakım ünitelerinde yer alan inkübatörlerde bakım ve tedavileri yapılan bebeklerin ani değişim gösterebilen vücut sıcaklıklarının hızla tespit edilmesi, sağlık durumlarının izlenmesinde önem kazanmaktadır. Yenidoğanda vücut ısısının ve termal simetrinin değerlendirilmesi, sağlık koşullarının izlenmesinde ve potansiyel risklerin tahmin edilmesinde önemlidir. Zararsız ve temassız bir yöntem olan termografi ile uygun yapay zekâ teknikleri kullanılarak yenidoğandaki hastalıkları erken aşamada tespit etmek mümkün olabilir. İnkübatörler bebeklerin tedavi ve bakımlarının yapıldığı, sıcaklık, nem, oksijen gibi parametrelerin kontrol altında tutulduğu yaşam alanlarıdır. Hastalıklara karşı savunma mekanizmalarının gelişmemiş olması, solunum desteğine ve fizyolojik parametrelerinin izlendiği cihazlara bağlı bulunmaları, termal izolasyonun sağlanma gereksinimi gibi faktörler mevcuttur. Ayrıca bazı hastalık kategorilerine sık rastlanırken, bazı hastalıklar nadiren görülmektedir. Yenidoğan yoğun bakım ünitelerinde karşılaşılan vaka çeşitliliği ve yenidoğan görüntülemenin hassasiyetle uygulanma gerekliliğinden yenidoğanların konfor alanını bozmadan tüm hastalık gruplarında yeterli sayıda görüntü popülasyonu içeren veri tabanları oluşturulamamaktadır. Tez çalışmasında az veri ile yenidoğan hastalıkları hakkında bilgi edinmeyi amaçlayan teknikler kullanılarak sınırlı sayıda veri içeren problemlere yönelik verimli sınıflama yöntemleri ve ön-tanı sistemleri geliştirilmiştir. Böylece veri sayısının yetersiz olduğu hastalıkların sınıflanması sağlanmıştır. Yeni doğan bebeklere ait tüm termogramlar Selçuk Üniversitesi, Tıp Fakültesi, Yeni Doğan Yoğun Bakım ünitesinde kaydedilmiş ve bir termal görüntü veri tabanı oluşturulmuştur. Geleneksel yapay zekâ yöntemlerine dayalı nesne sınıflama algoritmaları binlerce görüntü ve çok büyük veri kümeleri üzerinde eğitim gerektirirler. Sınıflama problemlerinde sık karşılaşılan durumlardan biri veri sayısının az olması ve bazı sınıflarda hiç verinin bulunmamasıdır. Bu problemin üstesinden gelebilmek için daha fazla veri toplamak gerekmektedir. Daha fazla veri toplamanın mümkün olmadığı durumlarda ise eldeki az miktarda veriyi çeşitli yollarla artırmak ve az veri ile öğrenmenin yollarını araştırmak gerekmektedir. Tez çalışmasında veri sayısının az ve dengesiz olması problemine karşılık verimli sınıflama yaklaşımları önerilmiştir. Bu kapsamda derin öğrenme ve veri artırma yaklaşımları ile kardiyovasküler hastalıklar, pulmoner anomaliler, nekrotizan enterokolit, intestinal atrezi, enfeksiyon hastalıkları ve özofagus atrezinin sınıflanması gerçekleştirilmiştir. İlk kez bu çalışma ile yenidoğan hastalıkları çok sınıflı olarak ele alınmış ve sınırlı sayıda veri örneği bulunan hastalıklar yüksek başarımla ayırt edilmiştir. Yürütülen uygulamalar dört başlık altında gerçekleştirilmiştir. Farklı evrişimli sinir ağları modelleri ve Siyam sinir ağları ile tek atış öğrenme yaklaşımı kullanılan çalışmalardan ilkinde tam bağlı ağ katmanında yapay sinir ağları ve destek vektör makinesi kullanılan evrişimli sinir ağları ile 'abdominal ve renal hastalıklar', 'kardiyovasküler hastalıklar' ve 'pulmoner anomaliler' veri artırma tekniklerinin yardımıyla %83 doğrulukla sınıflanmıştır. Önerilen ikinci yöntemde, dört hastalık sınıfı için altı farklı yaklaşım önerilmiş ve en yüksek doğruluk %94.55 olarak elde edilmiştir. Yenidoğanlarda en sık karşılaşılan durumlardan biri olan pulmoner anomalilerin belirlenmesi için yapılan çalışmada evrişimli sinir ağı modeli geliştirilmiş ve veri artırmanın etkileri incelenmiştir. Bu uygulamada 34 yenidoğandan alınan görüntüler üzerinde veri artırımının sınıflama doğruluğunu %84'ten %91'e yükselttiği tespit edilmiştir. Bir başka uygulamada ise Siyam sinir ağları ve tek atış öğrenme yaklaşımı kullanılarak veri sayısının az olduğu hastalıkların (nekrotizan enterokolit, özofagus atrezisi ve intestinal atrezi vb.) tespitinde uzmanlara ön-tanı sağlamak için çok sınıflı sınıflama çalışması gerçekleştirilmiştir. İki farklı optimizasyon tekniği ve veri artırımı kullanılarak, 2 sınıflı ve 3 sınıflı değerlendirme yaklaşımlarında test edilen yöntem ile sadece birkaç örnek veri bulunan kritik hastalıklar sınıflanmıştır. Sinir ağı modeli tarafından hiç görülmeyen sınıfların test edilebildiği tek atış öğrenme yaklaşımı sonuçlarına göre katman-bazlı stokastik grayan inişi algoritması veri artırımı ile kullanıldığında ortalama %92.50 doğruluk değeri vermiştir. Hastalık türü baz alınarak çıkarılan sonuçlar enfeksiyon hastalıkları ve özofagus atrezide %100, intestinal atrezide %99.17, nekrotizan enterokolitte %94.17 doğruluk elde edildiğini göstermektedir.

The first twenty-eight days after birth is called the neonatal period. Congenital anomalies or diseases that develop later cause the mortality rate to increase during this period. Rapid detection of suddenly changing body temperatures of babies who are cared for and treated in incubators in neonatal intensive care units is important in monitoring their health status. Evaluation of body temperature and thermal symmetry in the newborn is important in monitoring health conditions and predicting potential risks. If thermography, which is a harmless and non-contact method, and appropriate artificial intelligence techniques are used together, it may be possible to detect neonatal diseases at an early stage. Incubators are living spaces where babies are treated and cared for, and parameters such as temperature, humidity, and oxygen are kept under control. For newborns, there are factors such as the immaturity of their immune systems against diseases, their dependence on respiratory support and devices where their physiological parameters are monitored, and the need for thermal insulation. In addition, while some disease categories are common, some diseases are rarely seen. Due to the variety of cases encountered in neonatal intensive care units and the necessity of applying newborn imaging carefully, databases containing sufficient number of image populations cannot be created in all disease groups. In this thesis, using techniques aiming to obtain information about neonatal diseases with little data, pre-diagnosis systems have been developed with efficient classification methods for problems with limited data. Thus, the classification of diseases with insufficient data was provided. All thermograms of newborn babies were recorded in Selçuk University, Faculty of Medicine, Neonatal Intensive Care Unit, and a thermal image database was created. Classification algorithms based on traditional artificial intelligence methods require training on thousands of images and very large data sets. One of the common situations encountered in classification problems is the insufficient number of data. To overcome this problem, it is necessary to collect more data. In cases where it is not possible to collect more data, it is necessary to increase the small amount of data available in various ways and to search for ways to learn with fewer data. In the thesis, efficient classification approaches have been proposed in response to the problem of low and unbalanced data. In this context, cardiovascular diseases, pulmonary anomalies, necrotizing enterocolitis, intestinal atresia, infectious diseases, and esophageal atresia were classified with deep learning and data augmentation approaches. Neonatal diseases were considered in this study as multi-class for the first time and diseases with limited data samples were distinguished with high performance. Applications were carried out under four headings. Experiments using different convolutional neural network models and Siamese neural networks approach have been carried out. In the first of these experiments, 'abdominal & renal diseases', 'cardiovascular diseases' and 'pulmonary anomalies' were classified with 83% accuracy with the help of data augmentation techniques with convolutional neural networks using artificial neural networks and support vector machines in the fully connected network layer. In the second method proposed, six different approaches are proposed to classify four diseases. The highest accuracy of 94.55% was obtained for this experiment. In the study conducted to determine pulmonary anomalies, one of the most common conditions in newborns, the convolutional neural network model was developed and the effects of data augmentation were examined. In this application, it was determined that data increase on images taken from 34 newborns increased the classification accuracy from 84% to 91%. In another application, a multi-class classification study was carried out to provide pre-diagnosis to experts in the detection of diseases (necrotizing enterocolitis, esophageal atresia, and intestinal atresia, etc.) using Siamese neural networks and one-shot learning approach. By using two different optimization techniques and data augmentation, critical diseases with only a few sample data were classified using the method tested in 2-class and 3-class evaluation approaches. According to the results of the one-shot learning approach where classes that are not seen by the neural network model can be tested, the layer-based stochastic gradient descent algorithm used with data enhancement gave an average accuracy of 92.50%. Results based on disease class show that 100% accuracy is achieved in infectious diseases and esophageal atresia, 99.17% in intestinal atresia, and 94.17% in necrotizing enterocolitis.