Derin Sinir Ağı Dizüstü Bilgisayarda Cilt Hastalıklarını Tarayabilir

Houston Üniversitesi Biyomedikal Mühendisliği Bölümü kurucu başkanı tarafından sistemik sklerozun (SSc) erken teşhisini sağlayabilecek yeni bir derin sinir ağı mimarisi rapor ediliyor. SSc, sertleşmiş veya lifli cilt ve iç organlara neden olan nadir bir otoimmün hastalıktır. 

Önerilen ağ, standart bir dizüstü bilgisayar ile gerçeklenmiştir ve SSc ile sağlıklı cilt ve cilt görüntüleri arasındaki farkları anında tanıyabilir.

Araştırma yayınlandı IEEE Açık Tıp ve Biyoloji Mühendisliği Dergisi. 

Metin Akay, biyomedikal mühendisliği alanında John S. Dunn Dowed Kürsüsü Profesörüdür. 

Akay, "Önerilen ağ mimarisinin etkinliğini göstermeyi amaçlayan ön çalışmamız, SSc'nin karakterizasyonunda umut vaat ediyor" diyor. 

"Önerilen ağ mimarisinin, SSc için basit, ucuz ve doğru bir tarama aracı sağlayarak klinik bir ortamda kolayca uygulanabileceğine inanıyoruz."

SSc ve Erken Teşhis

SSc'nin erken teşhis edilmesi son derece önemlidir, ancak bunu başarmak genellikle zordur. Çeşitli çalışmalar, organ tutulumunun, hastalığın erken evresinde meydana gelen, önceden tahmin edilenden çok daha erken gerçekleşebileceğini göstermektedir. 

Uzman merkezlerdeki hekimler için bile erken tanı koymak ve hastalığın ilerleme derecesini belirlemek çok zor olduğundan, tedavi ve tedavide genellikle uzun gecikmeler yaşanıyor.

Sistemi Eğitmek

Derin öğrenme, algoritmaları kendi kararlarını verebilen yapay sinir ağı adı verilen katmanlara yerleştirir. Araştırmacılar, öğrenme sürecini hızlandırmak için yola çıktılar ve bu nedenle, bir mobil görüntü uygulaması olan MobileNetV2'nin parametrelerini kullanarak yeni ağı eğittiler. ImageNet veri kümesinden 1.4 milyon görüntü ile önceden eğitilmiştir. Eğitim süresi sadece beş saatten az sürdü.

Akay, "Görüntüleri tarayarak, ağ mevcut görüntülerden öğrenir ve hangi yeni görüntünün normal veya hastalığın erken veya geç aşamasında olduğuna karar verir" dedi.

Derin öğrenme ağları arasında yer alan Konvolüsyonel Sinir Ağları (CNN'ler), mühendislik, biyoloji ve tıpta sıklıkla güvenilmektedir. Bununla birlikte, mevcut eğitim setlerinin ve ağların büyüklüğü nedeniyle kullanımları sınırlı olduğundan, biyomedikal uygulamalarda hala yüksek bir başarı düzeyine ulaşamamıştır. 

Akay, ortağı Yasemin Akay ile birlikte değiştirilmiş bir CNN mimarisi olan UNet'i bu zorluğun üstesinden gelmek için eklenen katmanlarla birleştirdi. Daha sonra bir mobil eğitim modülü geliştirdiler ve sonuçlar, önerilen derin öğrenme mimarisinin, konu SSc görüntülerini sınıflandırmaya geldiğinde CNN'lerden daha verimli ve daha iyi olduğunu gösterdi.

Yasemin Akay, biyomedikal mühendisliği alanında UH öğretim doçentidir. 

Akay, "İnce ayardan sonra, sonuçlarımız önerilen ağın eğitim görüntü setinde %100, doğrulama görüntü setinde %96.8 ve test görüntü setinde %95.2 doğruluğa ulaştığını gösterdi" dedi.

Gazetenin ortak yazarları arasında Houston Üniversitesi'nden Yong Du, Cheryl Shersen, Ting Chen ve Chanfra Mohan yer alıyor. Ayrıca Teksas Üniversitesi Sağlık Bilimleri Merkezi'nden (UT Health) Minghua Wu ve Shervin Assassi'yi de içeriyordu.