Abstract:
Hayati organlardan biri olan kalbin anormal çalışmasının sebeplerinden biri koroner arter hastalığıdır (KAH). Kalbin yeteri kadar beslenmesini ve oksijenlenmesini sağlayan koroner arter damarların daralması-tıkanması sonucu kardiyovasküler sistemde iskemi gerçekleşmesi durumuna KAH denir. Kardiyovasküler sistemin fonksiyonel olarak değerlendirilmesine imkan sunan Single Photon Emission Computed Tomography (SPECT) görüntüleme tekniği KAH tanısında sık tercih edilen nükleer tıp uygulamalarından biridir. Stres-dinlenme çekimli SPECT görüntülerinin karşılaştırılması ile kalbin fonksiyonu ve risk durumu, koroner arter damarlardaki daralmanın-tıkanmanın konumu hakkında bilgi toplamayı sağlar. Mevcut durumda SPECT görüntülerinden elde edilen bilgiler uzmanlar tarafından yorumlanarak hastalık teşhisi konulur. Bu çalışmada, her geçen gün artış gösteren bilgi birikimin işlenebilmesini karşılayabilecek nitelikte olan bir sistem önerilmiştir. Evrişimli Sinir Ağı (ESA) algoritmaları ve güçlü donanım teknolojilerine yer verilerek tasarlanan derin öğrenme (DÖ) modeli KAH tanısını koymada uzmanlara yardımcı olabilir. SPECT MPI (Myocardial Perfusion Imaging) görüntü veri setinin eğitim ve test işlemleri çeşitli transfer öğrenme (TÖ) mimarileri üzerinden yürütülerek iskemi/canlı doku değerlendirilmesi yapılmıştır. Çalışmanın sonucunda, önceden eğitilmiş DenseNet121, InceptionResNetV2, InceptionV3, MobileNet, MobileNetV2, ResNet50, VGG16, VGG19, Xception mimarilerinin performans ölçütleri incelendiğinde en yüksek eğitim doğruluğunu %98.2 ile InceptionV3, en yüksek kesinliği %98, duyarlılığı %98, F1- skoru %98 ve AUC değeri 0.977 olarak Xception modelinde analiz edilmiştir. Test veri setinde ise VGG16 %98.3, VGG19 %85 ve MobileNetV2 %77.2 en düşük doğruluk değeri hesaplanırken geriye kalan modellerde doğruluk %100 başarıya ulaşmıştır. Literatürde yapılan diğer çalışmalara kıyasla SPECT MPI görüntülerinden yola çıkarak analiz yeteneği kazandırılan DÖ yöntemi ile iskemi/canlı doku değerlendirilmesi amaçlanmıştır.
