Publication: Görüntü işleme ve derin öğrenme yöntemleri kullanılarak ankilozan spondilit erken teşhisine yönelik karar destek sisteminin geliştirilmesi
Abstract
Bu tez çalışmasında, ankilozan spondilitin erken teşhisinde kullanılmak üzere açıklanabilirliği yüksek, güç tüketimi düşük ve %90’ın üzerinde doğruluk oranına sahip yapay zekâ tabanlı bir karar destek sistemi geliştirilmiştir. Çalışma, tıp ve mühendislik disiplinlerinin iş birliği ile gerçekleştirilmiş ve STIR MRI görüntüleri üzerine odaklanmıştır. Bu bağlamda, üç farklı yöntemle modeller geliştirilmiştir. Birinci yöntemde, klasik makine öğrenmesi algoritmalarına dayalı bir model oluşturulmuş, görüntülerden elde edilen gri düzey eş oluşum matrislerinden türetilen Haralick özellikleri kullanılmıştır. İkinci yöntemde, bu özellikler derin öğrenme modelleri ile birleştirilerek hibrit bir yaklaşım sunulmuştur. Üçüncü yöntemde ise, önceden eğitilmiş evrişimsel sinir ağları kullanılarak bir topluluk modeli geliştirilmiş ve çoğunluk oylama mekanizması ile sınıflandırma gerçekleştirilmiştir. Bu sistemler hem bireysel hem de topluluk performansı açısından analiz edilmiş ve sınıflandırma performansları değerlendirilmiştir. Veri seti, Adnan Menderes Üniversitesi Tıp Fakültesi’nden retrospektif olarak elde edilen 696 STIR MRI görüntüsünden oluşmuştur. Bu görüntüler, radyologlar tarafından global AS derecelendirme sistemi kullanılarak etiketlenmiştir. Her bir model, veri setinin özelliklerine göre özelleştirilmiş ve çeşitli performans metrikleri ile değerlendirilmiştir. Modeller, özellikle duyarlılık, özgünlük ve F1 skoru gibi metriklerde başarılı sonuçlar göstermiştir. Özellikle topluluk modeli, klinik uygulamalar için açıklanabilirlik ve güvenilirlik açısından üstün bir performans sunmuştur. Geliştirilen sistemlerin, tıbbi tanı süreçlerini destekleyerek erken teşhis oranlarını artırması ve sağlık sisteminin yükünü hafifletmesi hedeflenmiştir. Bu tez çalışması hem tıp hem de mühendislik alanlarında literatüre önemli katkılar sağlamakta ve disiplinler arası bir model geliştirme örneği sunmaktadır. Ayrıca, sonuçlar, geliştirilen modellerin klinik ortamlarda uygulanabilir olduğunu göstermektedir. Bu tez, ankilozan spondilit teşhisinde yenilikçi yaklaşımlar sunarak tıp ve mühendislik disiplinlerinin iş birliğine dayalı çözümler üretmesine olanak sağlamaktadır.
This thesis focuses on the development of an artificial intelligence-based decision support system for the early diagnosis of ankylosing spondylitis. The proposed system aims to achieve high explainability, low power consumption, and an accuracy rate exceeding 90%. To meet these objectives, three distinct AI-based models were developed. The first model is based on classical machine learning algorithms, utilizing Haralick features derived from gray-level co-occurrence matrices generated from MRI images. The second model combines these Haralick features with deep learning methods, offering a hybrid approach. The third model leverages pre-trained convolutional neural networks and employs an ensemble learning mechanism with majority voting for classification. The dataset used in this study consists of 696 short tau inversion recovery magnetic resonance images, retrospectively collected from Adnan Menderes University Medical Faculty. These images were labeled by medical experts using a global AS grading system. Following the preparation of the dataset, the models were tailored to the dataset’s specific features and evaluated using metrics such as sensitivity, specificity, and F1 score. Among the three models, the ensemble learning model demonstrated superior performance, providing a balance of accuracy, reliability, and clinical interpretability. This thesis aims to support medical diagnostic processes, improve early diagnosis rates, and reduce the healthcare system’s burden. By combining expertise from the fields of medicine and engineering, the study offers a novel interdisciplinary approach to addressing the challenges of AS diagnosis. The findings highlight the potential of the developed models for clinical implementation, contributing significantly to the advancement of diagnostic technologies.
This thesis focuses on the development of an artificial intelligence-based decision support system for the early diagnosis of ankylosing spondylitis. The proposed system aims to achieve high explainability, low power consumption, and an accuracy rate exceeding 90%. To meet these objectives, three distinct AI-based models were developed. The first model is based on classical machine learning algorithms, utilizing Haralick features derived from gray-level co-occurrence matrices generated from MRI images. The second model combines these Haralick features with deep learning methods, offering a hybrid approach. The third model leverages pre-trained convolutional neural networks and employs an ensemble learning mechanism with majority voting for classification. The dataset used in this study consists of 696 short tau inversion recovery magnetic resonance images, retrospectively collected from Adnan Menderes University Medical Faculty. These images were labeled by medical experts using a global AS grading system. Following the preparation of the dataset, the models were tailored to the dataset’s specific features and evaluated using metrics such as sensitivity, specificity, and F1 score. Among the three models, the ensemble learning model demonstrated superior performance, providing a balance of accuracy, reliability, and clinical interpretability. This thesis aims to support medical diagnostic processes, improve early diagnosis rates, and reduce the healthcare system’s burden. By combining expertise from the fields of medicine and engineering, the study offers a novel interdisciplinary approach to addressing the challenges of AS diagnosis. The findings highlight the potential of the developed models for clinical implementation, contributing significantly to the advancement of diagnostic technologies.