Derin Sinir Ağı Cilt Hastalıklarını Dizüstü Bilgisayarda Tarayabilir

Houston Üniversitesi Biyomedikal Mühendislik Bölümü kurucu başkanı, sistemik skleroz (SSc) için erken teşhis sağlayan yeni bir derin sinir ağı mimarisi hakkında bir rapor yayınladı. SSc, cilt ve iç organlarda sertleşme veya liflenmeye neden olan nadir bir otoimmün hastalıktır.

Önerilen ağ, standart bir dizüstü bilgisayarla uygulanabilir ve sağlıklı cilt ile SSc’li cilt arasındaki farkları hemen tanıyabilir.

Araştırma, IEEE Open Journal of Engineering in Medicine and Biology‘de yayımlandı.

Metin Akay, John S. Dunn Endowed Chair Profesörü ve biyomedikal mühendislik alanında uzman.

“Preliminary çalışmamız, önerilen ağ mimarisinin etkinliğini göstermek amacıyla yapılmıştır ve SSc karakterizasyonunda umut vaat etmektedir” dedi Akay.

“Önerilen ağ mimarisinin, basit, ucuz ve doğru bir SSc tarama aracı olarak klinik ortamlarda kolayca uygulanabileceğine inanıyoruz.”

SSc ve Erken Teşhis

SSc’nin erken teşhis edilmesi çok önemlidir, ancak bu genellikle zor bir işlemdir. Çeşitli çalışmalar, organ tutulumunun beklenenden çok daha erken gerçekleşebileceğini göstermiştir.

Uzman merkezlerdeki doktorlar bile hastalığın erken teşhisini yapmak ve ilerlemesini belirlemek için zorlandıkları için, tedavi ve terapiye uzun süre gecikmeler yaşanmaktadır.

Sistemin Eğitilmesi

Derin öğrenme, algoritmaları katmanlara ayırır, yani yapay sinir ağı, kendi kararlarını verebilir. Araştırmacılar, öğrenme sürecini hızlandırmak için, yeni ağı MobileNetV2 parametreleriyle eğittiler. MobileNetV2, 1,4 milyon görüntüden oluşan ImageNet veri kümesiyle önceden eğitilmiştir. Eğitim süresi sadece beş saatten az sürdü.

“Ağ, mevcut görüntüleri taramakta ve yeni bir görüntünün normal, erken veya geç evrelerde olup olmadığını kendisi karar vermektedir” dedi Akay.

Derin öğrenme ağları arasında yer alan Convolutional Neural Networks (CNN’ler), mühendislik, biyoloji ve tıpta sıklıkla kullanılır. Ancak, eğitim setlerinin ve ağların boyutu nedeniyle, biyomedikal uygulamalarda henüz yüksek bir başarı seviyesine ulaşamamışlardır.

Akay ve ortak yazar Yasemin Akay, bu sorunu aşmak için UNet’i, değiştirilmiş bir CNN mimarisi, ek katmanlar ile birleştirdiler. Daha sonra bir mobil eğitim modülü geliştirdiler ve sonuçlar, önerilen derin öğrenme mimarisinin SSc görüntülerini sınıflandırmada CNN’lerden daha verimli ve başarılı olduğunu gösterdi.

Yasemin Akay, Houston Üniversitesi’nde biyomedikal mühendislik alanında ders veren bir profesördür.

“Eğitim sonrası, önerilen ağın eğitim görüntüleri setinde %100, doğrulama görüntüleri setinde %96,8 ve test görüntüleri setinde %95,2 doğruluk oranı elde ettiğini gösterdik” dedi Akay.

Makalenin ortak yazarları arasında Houston Üniversitesi’nden Yong Du, Cheryl Shersen, Ting Chen ve Chanfra Mohan yer aldı. Ayrıca, Texas Sağlık Bilimleri Merkezi’nden (UT Health) Minghua Wu ve Shervin Assassi de çalışmaya katıldı.