Investigation of Usability of Artificial Intelligence Semantic Video Processing Methods in Medicine

Authors : Hasan UCUZAL, Zeynep KÜÇÜKAKÇALI, Emek GÜLDOĞAN

Pages : 297-303

Doi:10.37990/medr.1093272

View : 20 | Download : 11

Publication Date : 2022-09-22

Article Type : Research Paper

Abstract :Giriş: Bu çalışmada endoskopik görüntülerde yer alan poliplerin tespiti, tanımlanması, sınıflandırılması ve takibi için uygun video/görüntü işleme teknikleri ve CNN mimarisi kullanılarak sağlık profesyonelleri için kullanıcı dostu bir yazılımın geliştirilerek sunulması amaçlanmıştır. Material ve Methot: Çalışmada yer alan veri seti 345 görüntü içermekte olup görüntüler anatomik olarak bilinen dönüm noktaları, patolojik bulgular veya sindirim sistemindeki gastrointestinal prosedürler gibi her sınıf için yüzlerce görüntüden oluşmakta ve çeşitli tıp doktorları insert ignore into journalissuearticles values(deneyimli endoskopistler); tarafından açıklanmış ve doğrulanmıştır. Görseller araştırmalarda ve eğitimlerde kullanılmak amacıyla açık kaynak olan https://datasets.simula.no/kvasir adresinden alınmıştır. Modelleme esnasında Dlib kütüphanesinde yer alan derin sinir ağı mimarilerinden olan CNN ve Max-Margin nesne algılama yöntemi insert ignore into journalissuearticles values(MMOD); kullanılarak modellemeler yapılmıştır. Veri seti basit çapraz geçerlilik yöntemi insert ignore into journalissuearticles values(hold-out); kullanılarak %80’i eğitim, %20’si test veri seti olacak şekilde ayrıştırılmıştır. Model performansının değerlendirilmesinde ise kesinlik, duyarlılık, F1-skor, ortalama kesinlik insert ignore into journalissuearticles values(average precision, AP);, ortalama kesinlik değerlerinin ortalaması insert ignore into journalissuearticles values(mean average precision, mAP);, kesiştirilmiş bölgeler ölçütleri insert ignore into journalissuearticles values(intersection over union, IoU);, en uygun konumlandırma kesinliği ve duyarlılığı insert ignore into journalissuearticles values(optimal localization recall precision, oLRP);, ortalama en uygun LRP insert ignore into journalissuearticles values(Mean Optimal LRP, moLRP); kullanılmıştır. Bulgular: Mevcut çalışmada endoskopik poliplerin açık erişimli video görüntü veri kümesi üzerinde daha önce açıklanan adımlar gerçekleştirildiğinde, eğitim veri kümesinde incelenen tüm performans metrikleri 1 değerini alırken, test veri kümesinde kesinlik, duyarlılık, F1-skoru , AP, mAP, oLRP ve moLRP sırasıyla %98, %90, %94, %89, %89, %48 ve %48 idi. Sonuç: Çalışmada sonucunda elde edilen performans metriklerine ait değerler dikkate alındığında, önerilen sistemin gastrointestinal poliplerin tanısında başarılı tahmin sonuçları verdiği belirlenmiştir.
Keywords : Object recognition, deep learning, decision support system, gastrointestinal polyps, convolutional neural networks