ADOKEN: MR İÇİN DERİN ÖĞRENME TABANLI KARAR DESTEK YAZILIMI

Abstract

Makine öğrenmesinin alt sınıfı olan derin öğrenme, birden çok katman ile ham veriden özelliklerin çıkarılmasını sağlamaktadır. Son yıllardaki teknolojik gelişmeler ile özellikle sağlık alanındaki görüntü işleme çalışmalarında sıklıkla tercih edilmektedir. Başarılı sonuçlar elde etmek için derin öğrenme modellerindeki parametrelerin optimize edilmesi gerekir. Bu işlemin belli bir düzeyde yazılım bilgisi gerektirmesi, alana yeterince hâkim olmayan kişilere zorluk oluşturabilmektedir. Araştırmacılar, kodlama gerektirmemesi nedeniyle hazır derin öğrenme modellerini ve görsel araçları tercih edebilmektedirler. Bu çalışmada önerilen uygulama aracılığıyla, manyetik rezonans görüntüleme taramaları için kompleks derin öğrenme işlemlerinin doğrudan grafik arayüzü üzerinden gerçekleştirilmesi hedeflenmektedir. Uygulama; veri seçimi, ön işleme, model oluşturma, eğitim ve test ana modüllerinden oluşmaktadır. Önde gelen bazı derin öğrenme modelleri uygulamaya entegre edilmiş olarak sunulmaktadır. İzlenen uyumluluk tasarımı sayesinde gelecekte yeni mimarilerin de kolaylıkla eklenebilmesinin önü açılmıştır. Modüller, açık kaynak manyetik rezonans görüntüleme verisi aracılığıyla doğrulanarak uygulamanın test tabanlı geliştirilmesi sağlanmıştır. Fonksiyonellik doğrulama testlerinde üç boyutlu evrişimsel sinir ağı kullanılarak literatüre paralel şekilde %81 doğruluk oranı gözlemlenmiştir. Uygulamanın radyoloji uzmanları ve araştırmacılar gibi kullanıcılar tarafından karar destek amacıyla kullanılabileceği düşünülmektedir.Deep learning, a subclass of machine learning, enables the extraction of features from raw data through multiple layers. With the technological developments in recent years, it is widely preferred in medical image processing studies. Parameters in deep learning models are needed to be optimized to obtain accurate results. This process requires a certain level of software knowledge and can cause difficulties for people who do not have sufficient proficiency. Researchers may prefer readily available deep learning models and visual tools as these do not require coding. It is proposed in this study that users can perform complex deep learning processes for magnetic resonance imaging data directly through the graphical interface of the application. The software tool consists of data selection, pre-processing, model creation, training, and test main modules. Some popular deep learning models are integrated into the application. New model architectures can be easily added for future releases, thanks to the compatibility design. The modules are validated via open-source magnetic resonance imaging data, and in this way, test-driven development is achieved. In the functionality validation tests performed, accuracy rate of 81% is observed similar to the literature by using three-dimensional convolutional neural network. It is thought that radiology experts and researchers can take advantage of the application for decision support purposes.