Derin Öğrenme Yöntemleri Kullanılarak Böbrek Hastalıklarının Tespiti ve Çoklu Sınıflandırma

Abstract

Derin öğrenme, sağlık alanında hastalık ve anomali tespiti gibi alanlarda son yıllarda başarılı sonuçlar elde etmiştir. Literatür incelendiğinde, böbrek hastalıklarının teşhisi, karmaşık, hata eğilimli ve zaman alıcı bir süreç olduğundan, bilgisayar destekli yazılımlara olan ihtiyaç kaçınılmazdır. Bu çalışmada, hastalara böbrek taşı, tümör ve kist teşhisi konmuş bilgisayarlı tomogrofi cihazı tarafından oluşturulan görüntüler kullanılmıştır. Veri setimizdeki görüntüler, erişime açık Kaggle platformundan elde edilmiştir. Veri seti, Classic CNN, ANN, ALEXNET, VGG16, VGG19 ağları ve çalışmada önerdiğimiz geliştirilmiş Poly-CNN derin öğrenme modeli kullanılarak sınıflandırma performansı ölçülmüştür. Daha istikrarlı öğrenme sağlamak için CNN yapısına ekstra havuzlama katmanı ve bağlantı katmanı eklenmiştir. Eklenen bu katmanlar aşırı öğrenmeye sebebiyet vermemesi için, eğitim sırasında rastgele nöronlar devre dışı bırakılmıştır. Çalışmada kullanılan derin öğrenme modellerinde, kullanılan parametreler, katman yapıları, doğruluk ve kayıp grafikleri detaylı bir şekilde incelenmiştir. Çalışmada Poly-CNN'in %99,94'lük yüksek bir doğruluk oranıyla öne çıktığı görülmüştür. Bu sonuçlar, Poly-CNN modelinin, diğer kullanılan modellerde daha iyi bir performans sergileyerek, önerilen araştırma çerçevesinin etkinliğini belirgin bir şekilde ortaya koymaktadır.