Mekanik dolaşım destek sistemi hastalarının driveline yaralarının görüntü işleme ve derin öğrenme yöntemi ile enfeksiyon açısından incelenmesi

Abstract

Tez çalışmasında, kalp yetersizliği yaşayan hastalara tedavi olarak uygulanan mekanik dolaşım destek sisteminin implantasyonu sonrasında oluşabilecek driveline yaralarının görüntü işleme ve derin öğrenme yöntemleri ile enfeksiyon durumunun incelenmesi üzerine çalışılmıştır. Sol ventrikül destek cihazları (LVAD) implantasyonu nedeniyle meydana gelen driveline enfeksiyonu hastalarda üçüncü en yaygın ölüm nedenidir. Driveline enfeksiyonu cilt dokusunda ödem, sıcaklık, pürülan akıntı gibi semptomların ortaya çıkmasıdır. Bu semptomlar cilt dokusunda lezyonlara neden olur. Bu çalışmada, kalp yetersizliğine bağlı LVAD implantasyonu sonrası oluşabilecek aktarma organları enfeksiyonunu tespit etmek için görüntü işleme teknikleri ve derin öğrenme yöntemleri kullanılmıştır. Çalışma kapsamında kalp yetersizliğine bağlı olarak mekanik dolaşım destek sistemi implantasyonu uygulanan hastalardan alınan görüntüler ile enfeksiyon durumu hakkında inceleme yapılmıştır. Bu tespitler için öncelikle driveline'ın vücuttan çıkış bölgesi tespit edilmiştir. Driveline vücut çıkış bölgesi tespitinde, cilt dokusu üzerinde bölütleme işlemi yapılmıştır. Bu tespit işlemi için bölütleme işlemi olarak K-Ortalamalar algoritması tercih edilmiştir. Bölütleme işlemi sonrasında elde edilen driveline vücut çıkış bölgesi, öznitelik çıkarma işlemi ve derin öğrenme için girdi olarak kullanılmıştır. Öznitelik çıkarma kısmında üç farklı yöntem kullanılmıştır. Bu yöntemler: ayrık dalgacık dönüşümü, Shannon Entropisi ve gri seviyeli eş-oluşum matrisleridir. Bu yöntemlere bağlı olarak bazı çıkarımlarda bulunulmuştur. Öznitelik çıkarmaya ek olarak derin öğrenme yöntemi kullanılmıştır. Derin öğrenmede evrişimli sinir ağı mimarisi tercih edilmiştir. Evrişimli sinir ağı mimarisine bağlı olarak model geliştirilmiştir. Bu model ile görüntünün enfeksiyon durumu hakkında tahminde bulunulmuştur. Mevcut veri yapısı ve miktarına bağlı olarak geliştirilen modelin başarı oranı %90 olarak hesaplanmıştır.