DERİN ÖĞRENME TABANLI ŞİDDETLİ FARENJİT TESPİTİ

Abstract

ÖZET

Günümüzde makine öğrenmesi ve özellikle derin öğrenme her alanda olduğu gibi, sağlık alanında da yaygın olarak kullanılmaya başlanmıştır. Derin öğrenmede de makine öğrenmesinde olduğu gibi kullanılan verilerin kalitesi, verilerin miktarının çok olması kadar önem arz eder. Aynı zamanda medikal verilere erişim hasta mahremiyeti ve verilerin toplanması gibi birçok nedenden ötürü zordur. Bu bağlamda küçük veri setleri ile eğitim yapılırken transfer öğrenimi uygulamak işleri kolaylaştıracaktır. Farenjit hastalığı, hemen hemen her yaş aralığında gözlemlenebilen bir hastalıktır. Bu çalışmadaki amacımız derin öğrenme tabanlı algoritmalar kullanılarak, küçük veri setlerine sahip olsak dahi kript içeren şiddetli farenjit hastalığının yüksek başarı oranları ile tespitini sağlamak ve aynı veri seti ile çalışılmış diğer algoritmalar ile performans metrikleri üzerinden kıyaslama yapmaktır. Bu çalışma geliştirilebilecek medikal uygulamalar için kullanılabilecek derin öğrenme algoritmalarının performansını karşılaştırdığından önem arz eder. Çalışmada kullanılan görüntü verilerinin az olması nedeniyle, ham veriler öncelikle geleneksel yöntemler ve afin dönüşümleri kullanılarak artırılmış ve daha sonra artırılan görüntüler, derin öğrenme yaklaşımı olan GAN veri artırımı yöntemlerinden, CycleGAN algoritması ile eşlenmiş görüntüler elde edilecek şekilde tekrar çoğaltılmıştır. Sentetik görüntülerin her biri çalışmada kullanılmamıştır. Veri setine dahil edilecek görüntüler uzman bir tıp doktoru tarafından manuel şekilde sınıflandırılıp, seçilmiş ve görüntü kalitesine dikkat edilerek veri setine eklenmiştir. Çalışmada ResNet50, Inception-V3, EfficientNet grubu içerisinde olan EfficientNet B0, EfficientNet B1 ve EfficientNet B2 mimarileri kullanılarak sınıflandırma yapılmıştır. Çalışmada Inception-V3 algoritması için ön eğitim, diğer tüm algoritmalar için transfer öğrenimi gerçekleştirilmiştir. Kullanılan ham veri seti, beş farklı geleneksel artırma yöntemi ile çoğaltılmıştır. Sağlıklı boğaz görüntüleri 1283 ve farenjitli boğaz görüntüleri 873 adet olarak belirlenmiştir. Ardından CycleGAN algoritmasından elde ettiğimiz veri doğruluğunun korunduğu ve görüntü kalitesi yüksek olan 68 adet sağlıklı ve 171 adet farenjitli sentetik görüntü seçilerek veri setine eklenmiştir. Veri setini üç bölüme ayırdık: Eğitim (0.8), doğrulama (0.1) ve test (0.1). Eğitimler tamamlandıktan sonra, Inception-V3 mimarisi için elde ettiğimiz test veri seti doğruluğu %97,51, ResNet50 mimarisi için elde ettiğimiz test veri seti doğruluğu %98,76, EfficientNet B0 mimarisi için elde ettiğimiz test veri seti doğruluğu %99,17, EfficientNet B1 mimarisi için elde ettiğimiz test veri seti doğruluğu %99,59 ve son olarak EfficientNet B2 mimarisi için elde ettiğimiz test veri seti doğruluğu %99,59 olarak gözlemlenmektedir. Mimariler hassasiyet, geri çağırma, AUC ve kayıp değerleri bakımından karşılaştırıldığında EfficientNet grubunun aynı veri seti ile çalışılan diğer mimariler ve bizim çalışmamızdaki ResNet50 ve Inception-V3 mimarilerine göre performans bakımından daha başarılı olduğu gözlemlenmiştir.

ABSTRACT

Nowadays, machine learning and especially deep learning have become widely used in the field of health, as in every field. In deep learning, as in machine learning, the quality of the data used is as important as the quantity of data. At the same time, access to medical data is difficult for many reasons such as patient privacy and data collection. In this context, applying transfer learning when training with small data sets will make things easier. Pharyngitis is a disease that can be observed in almost every age range. Our aim in this study is to detect cryptic severe pharyngitis with high success rates using deep learning based algorithms, even with small data sets, and to compare performance metrics with other algorithms that have been studied with the same data set. This study is important because it compares the performance of deep learning algorithms that can be used for medical applications that can be developed. Due to the small amount of image data used in the study, the raw data was first augmented using traditional methods and affine transformations, and then the augmented images were re-duplicated to obtain mapped images with the CycleGAN algorithm, one of the GAN data augmentation methods, which is a deep learning approach. Not all synthetic images were used in the study. The images to be included in the dataset were manually classified and selected by an expert medical doctor and added to the dataset by paying attention to image quality. In the study, classification was performed using ResNet50, Inception-V3, EfficientNet B0, EfficientNet B1 and EfficientNet B2 architectures within the EfficientNet group. In the study, pre-training was performed for the Inception-V3 algorithm and transfer learning was performed for all other algorithms. The raw data set was augmented with five different traditional augmentation methods. The number of healthy throat images was 1283 and the number of pharyngitis throat images was 873. Then, 68 healthy and 171 pharyngitis synthetic images were selected and added to the dataset, which preserved the accuracy of the data obtained from the CycleGAN algorithm and were of high quality. We divided the dataset into three parts: Training (0.8), validation (0.1) and testing (0.1). After training, we observe that the test data set accuracy for the Inception-V3 architecture is 97.51%, the test data set accuracy for the ResNet50 architecture is 98.76%, the test data set accuracy for the EfficientNet B0 architecture is 99.17%, the test data set accuracy for the EfficientNet B1 architecture is 99.59% and finally the test data set accuracy for the EfficientNet B2 architecture is 99.59%. When the architectures are compared in terms of precision, recall, AUC and loss values, it is observed that the EfficientNet group is more successful in terms of performance than the other architectures studied with the same dataset and the ResNet50 and Inception-V3 architectures in our study.