Beyin Tümörü Tanıları İçin YOLOv7 Algoritması Tabanlı Karar Destek Sistemi Tasarımı

Abstract

Sağlık alanında derin öğrenme algoritmalarının karar destek sistemleriyle bağdaştırılması her geçen gün daha tutarlı teshişler ve etkin tedavilerin önünü açmaktadır. Sağlık çalışanları, daha fazla veri, belge ve deneyim içeren karar verme modelleri ile etkileşime geçerek hızlı ve doğru kararlar alabilmektedir. Derin öğrenme modellerindeki gelişmelerle birlikte, imge ve video görüntülerinden doğru ve hızlı bir şekilde nesne tespiti için evrişimsel sinir ağları gibi mimariler yaygın olarak kullanılmaya başlanmıştır. Evrişimsel sinir ağları üzerine inşa edilen nesne tespit modellerinde, eğitim aşamasından geçtikten sonra test aşamasında önce nesnenin tahmini yapılır ve belirlenen nesne çerçeve içine alınarak tespit aşaması tamamlanır. Bu çalışmada, YOLO algoritması kullanılarak beyin tümörlerinin ve konumlarının MR görüntüleri üzerinde tespiti hedeflenmiştir. YOLOv7 ve YOLOv7-tiny algoritmaları üzerinde 3203 eğitim görüntüsü kullanılarak model eğitimleri tamamlanmıştır. Bunu, çok sayıda klinik deneyimin karar destek sistemine aktarılması olarak yorumlamak yanlış olmayacaktır. Model eğitim çıktılarının başarımı kesinlik, hatırlama ve F1 puanı gibi ölçütler açısından değerlendirilmiştir. Eğitim görüntüleri haricinde test ve doğrulama görüntüleri de oluşturulmuştur. Görüntüler “makesense.ai” kullanılarak etiketlenmiştir ve Google Colab üzerinden eğitimleri gerçekleştirilmiştir. Tespitlerde %97’lere varan doğruluklar elde edilmiştir. YOLO algoritmasının karar destek sistemlerinin doğruluğunu arttırması farklı sağlık kurumlarındaki tanılar arasında tutarlılığı sağlayacak, kişisel kaynaklı tespit hatalarını en aza indirgeyecek ve izlenecek tedavi prosedürlerini olumlu yönde etkileyecektir.