Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi

Analysis of child lung x-ray images with deep learningmethods

PDF İndir

Tez No: 988238
Yazar: ÇAĞDAŞ ŞİMŞEK
Danışmanlar: PROF. DR. SUAT ÖZKORUCUKLU
Tez Türü: Doktora
Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2025
Dil: Türkçe
Üniversite: İstanbul Üniversitesi
Enstitü: Fen Bilimleri Enstitüsü
Ana Bilim Dalı: Fizik Ana Bilim Dalı
Bilim Dalı: Yüksek Enerji ve Plazma Fiziği Bilim Dalı
Sayfa Sayısı: Belirtilmemiş.

Özet

Bilgisayar destekli tanı sistemlerinin (BDTS) radyolojik görüntüleri analiz etmek için tartışılması 1950'lerde başlamıştır~\cite{lusted1955}. 1980'li yıllara gelindiğinde ise gelişen teknoloji ile birlikte bu alanda yapılan çalışmalar gelişmeye ve ilerlemeye başlamıştır. 2001 yılında ilk kez ticari bir bilgisayar destekli tanı sistemi, akciğer görüntülerinde nodül tespiti için Gıda ve İlaç Dairesi (Food and Drug Administration - FDA) tarafından onay almıştır~\cite{giger2008}. Günümüzde FDA tarafından onay alan 190 adet BDTS'li yapay zeka cihazı geliştirilmiş ve bunlardan 42 tanesi akciğer röntgen görüntüsünü de içeren göğüs radyolojisi için onay almıştır~\cite{muehlematter2023}. Bu amaçla evrişimli sinir ağları (ESA) kullanılarak geliştirilen BDTS' lerin radyolojik görüntülere uygulanması ile ilgili çalışmalar ise 1994 yılında rapor edilmiştir~\cite{giger2018},~\cite{zhang1994}. Derin öğrenme modelleri ise çok sayıda ESA katmanını içerecek şekilde çalışmaktadır~\cite{chollet2018}. Tıp alanında özellikle radyolojik süreçlerin hızlandırılmasında görüntüler üzerine rapor oluşturma, görüntü kalitesinin değerlendirilmesi, elde edilen görüntülerin sınıflandırılması, segmentasyon çalışmaları, farklı cihazlardan gelen farklı parametrelere sahip görüntülere tanı koyulması gibi klinik görevler için derin öğrenme yöntemleri geliştirilmektedir~\cite{choy2018}. Bunlara ek olarak görüntü sınıflandırma ve teşhis, nesne tespiti ve segmentasyon, görüntü rekonstrüksiyonu ve iyileştirme, çok modlu veri entegrasyonu ve karar destek sistemleri gibi konularda da çalışmalar yapılmıştır. Derin öğrenme yöntemlerinin medikal görüntüler üzerine uygulanma nedenlerinden biri, teşhis ve tanı işlemleri için geçen toplam sürenin azaltılmasını amaçlamaktadır. Örneğin akciğer hastalıklarında sürenin çok kritik olduğu“pnömoni”tanısında geçen sürenin uzaması hastalığın seyrinin kritik seviyelere ulaşmasına ve geri döndürülemez boyutlara evrilmesine neden olur~\cite{mudiyanselage2024}. Teşhis ve tanı aşaması yani görüntüleri etiketleme süreci, alanında uzman deneyimli bir radyoloji kadrosu ve nitelikli bir ekipman desteğine sahip merkezler tarafından yürütülmelidir. Ancak dünyada akciğer radyografisi görüntülerinden pnömoniyi doğru bir şekilde teşhis edebilecek yeterli sayıda radyoloğun bulunmadığı yerler de vardır. ESA modellerinin tahminleri, özellikle çocuk acil bölümlerinde, klinisyenlerin karar verme sürecinde kullanabilecekleri bilgileri genişletmeyi amaçlamaktadır. Yapay zeka tarafından üretilen bir tahmini sunmanın amacı, özellikle ihtiyaç duyulan bölgelerde ve merkezlerde karar verme aşamasında radyolojik süreçlere ek bilgi ve destek sağlamaktır. Bilgisayar otomasyonu ile desteklenen ve klinik kullanımda faydası kanıtlanmış, tahmin doğruluğu ve hassasiyeti yüksek bir otomatik tanı sistemi geliştirmek, akciğer patolojisini doğru bir şekilde saptamada ya da yanlış pozitif - yanlış negatif gibi hatalı tanı koyma süreçlerinden kaçınmada hayati önem taşıyan tanı sürecini hızlandıracaktır. Medikal görüntülerin doğru ve hızlı yorumlanmasına katkı sunacağı için özellikle ihtiyaç duyulan bölge ülke veya tıbbi merkezlerde tanı ve tedavi süreçlerine daha az işgücü ve maliyetle ciddi katkılar sunacağı düşünülmektedir~\cite{wang2022}. Akciğer görüntüleri kullanılarak derin öğrenme modellerinin geliştirilmesi konusunda güncel, dikkat çekici ve saygın çok sayıda yeni çalışma ve araştırma rapor edilmiştir~\cite{xie2025}. Bu konuda eğitilen tahmin modellerinin performansı göz önüne alındığında, geliştirilen derin öğrenme yöntemleri doğruluk açısından yüksek seviyelere ulaşsa dahi, özellikle akciğer patolojilerinden en tehlikelisi ve mortalite - morbidite oranı en yüksek olan, bizim de patolojik akciğer görüntü bulgusu olarak bu özellikleri nedeniyle örneklem açısından çalışmalarımızı yoğunlaştırdığımız `pnömoni` patolojisi, diğer akciğer patolojileri ile karıştırılma oranı ve riski değerlendirildiğinde daha fazla ve daha hassas çalışma gerektirmektedir. Pnömoni, akciğer dokusunu hedef alan, alveoler boşlukları içeren dokunun iltihaplanması olarak nitelenen bir patolojik bulgudur. Bu açıdan pnömoni uzak hava kanalları ve alveollerde hava yerine sıvı, ödem ve kan hücrelerinin birikmesi ile kendini gösterir~\cite{Prina2015}. Bu süreç, akciğer dokusunun sahip olduğu gaz değişim sisteminde düzensizliğe neden olurken ventilasyon-perfüzyon dengesinin de bozulmasına yol açar~\cite{Mizgerd2017}. Çocukluk dönemi pnömonisi ise evrensel çocuk sağlığı konusunda hala tehlikeli bir toplum sağlığı sorunu olmaya devam etmektedir. Dünya Sağlık Örgütü'nün (DSÖ) çocukluk çağı pnömonisi verileri incelendiğinde 5 yaşından küçük çocuklar arasında en önemli ölüm nedenlerinden birinin pnömoni olduğu ve buna bağlı çocuk ölüm sayısının 800.000 civarında olduğu görülmektedir~\cite{McAllister2019}. Bu ölümler, 5 yaşından küçük çocuklardaki ölümlerin \%14'ünü ve 1-5 yaş arası çocuk ölümlerinin ise \%22'sini oluşturmaktadır. Ayrıca UNICEF (United Nations Children's Fund - Birleşmiş Milletler Çocuklara Yardım Fonu) her yıl 100.000 çocuk arasında yaklaşık 1.400 pnömoni vakasının kayıt altına alındığını ve en fazla vaka sayısının Güney Asya'da (100.000 çocuk arasında 2.500 çocuk pnömoni vakası) ve Batı ve Orta Afrika'da (100.000 çocuk arasında 1.620 çocuk pnömoni vakası) olduğunu ortaya koymaktadır~\cite{UNICEF2024}. Çocuklarda pnömoni tanısı klinik değerlendirme, görüntüleme yöntemleri ve laboratuvar testleri aracılığı ile belirlenmektedir. Bunların yanında çocuklarda pnömoni belirtileri öksürük, nefes darlığı ve ateş gibi sık görülen bulgularla ortaya çıkmakla beraber bu yaygın bulguların sadece pnömoniye özgü olmaması ayrıca astım, bronşit ve bronşiolit gibi diğer solunum yolu enfeksiyon bulguları ile örtüşmesine yol açar ve tanı koymayı özellikle küçük çocuklarda zorlaştırır. Bu örtüşmenin teşhis aşamasında sıklıkla hatalı yönlendirmelere neden olduğu bazı çalışmalarda rapor edilmiştir~\cite{Florin2017}. Akciğer radyografisi, pnömoni tanısında altın standart olmasının yanında, kesin tanıya ulaşmada kritik rol oynadığı özellikle bazı önemli hastalıklar için çeşitli çalışmalarla desteklenmiştir. Örneğin çocuklarda akciğer tüberkülozu tanısı hiler lenfadenopati, milier patern veya kavitasyon ile ifade edilen akciğer röntgen bulguları ile tanı alır ve mikrobiyolojik laboratuvar testlerinin yetersiz hassasiyeti sebebiyle akciğer röntgeni bu hastalık için de kesin tanıda kritik değere sahiptir~\cite{Marais2006}. Yapılan çalışmalarda pnömoni tanısında göğüs röntgeninin \%80-90 düzeylerinde duyarlılığa sahip olduğu bildirilmiştir~\cite{Cherian2005}. Pnömoni tanısı için yapılan görüntüleme çalışmalarında çok yaygın olarak tercih edilen ilk basamak akciğer radyografisi çekim yöntemidir. Maliyet düşüklüğü ve erişilebilir olmasının yanında sonuçlanma süresinin nispeten kısa olması gibi sebepler klinik uygulamada bu yöntemi altın standart haline getirmektedir~\cite{Alapat2022}. Yapılan çalışmalarda akciğer grafisi için duyarlılık oranı \%70-85 arasında bildirilirken özgüllük oranının \%80-90 arasında olduğu belirtilmiş ve tüm bunlara ek olarak akciğer radyografisi, düşük radyasyon içermesi, düşük maliyeti ve neredeyse tüm merkezlerde bulunabilir olması nedeniyle diğer tekniklere oranla daha avantajlı olarak kabul görmüştür~\cite{AlNufaiei2025}. Çalışmamızda bir BDTS'ye temel oluşturacak ESA mimari modeli geliştirmek için Koç Üniversitesi Tıp Fakültesi'nin muhtelif bölümlerinden ve çoğunluğu çocuk hasta grubundan olmak üzere muhtelif yaş gruplarından toplam 1000 adet akciğer görüntüsü temin edildi. Bu görüntülerin bir kısmı“sağlıklı”bir kısmı ise hastalık bulgusu içeren“patolojik”görüntülerden oluşmaktadır. Sıfırdan eğiterek geliştirmek istediğimiz evrişimsel mimari ağımızın bağımsız bir veri seti ile de test edilmesi için İstanbul Üniversitesi İstanbul Tıp Fakültesi Çocuk Sağlığı ve Hastalıkları Anabilim Dalı'ndan elde edilen yaklaşık 721 adet çocuk akciğer görüntüsünden oluşturulan bir veri seti kullanıldı. Ana veri setimizi oluşturan Koç Üniversitesi Tıp Fakültesi verileri, patolojik açıdan ön tanı aşamasını geçen ve kesin tanı alarak hastane sistemine kaydedilen ve pnömoni bulgusu içeren akciğer radyografilerinden oluşan radyoloji raporları taranarak oluşturuldu. Güvenilir ve nicel bir ESA modeli oluşturmak için, yeterli miktarda nitelikli akciğer röntgen görüntü verisi temin etmek ve bu veri setini kullanarak, yüksek test doğruluğu metriklerine ulaşırken, modelin performansını belirleyen parametreler genelinde başarılı sonuçlar elde etmek çalışmamızın temelini oluşturmaktadır. Veri setleri halka açık kaynaklarda çok sayıda var olsa dahi bunların nasıl ve kimler tarafından etiketlendiği, tanı ve teşhis kısımlarının hangi aşamalardan geçtiği, kesin tanı anlamında güvenilirliği konusunda soru işaretleri vardır ve olmalıdır. Bu nedenle veri setlerimiz hem nitelikli radyologların değerlendirmelerinden geçmiş, hem nitelikli ekipmanlardan elde edilen ve ön tanı, karar konseyleri, laboratuvar süreçlerinden geçerek“kesin tanı”alan veri setlerinden oluşturulmuştur. Bu nitelikli veri seti sayesinde klinik tarafı nitelikli bir model geliştirmek çalışmamızı diğer benzer çalışmalardan ayırırken temel amaçlarımızdan birini de oluşturacaktır. Geliştirdiğimiz ESA modeli ve benzerlerinin temelini oluşturduğu BDTS'ler kullanılarak, özellikle ihtiyaç duyulan bölge ve merkezlerde mevcut radyolojik süreç ve sistemleri desteklemek, klinik akışı hızlandırmak ve bu karmaşık radyolojik süreçlere katkıda bulunarak doğru ve güvenilir sistemlerin geliştirilmesine öncülük edebilmek bu çalışmanın temel amaçlarındandır.

Özet (Çeviri)

Discussions on computer-assisted diagnostic systems for analysing radiological images began in the 1950s~\cite{lusted1955}. By the 1980s, with the advancement of technology, research in this field began to develop and progress. In 2001, the first commercial computer-aided diagnostic system was approved by the Food and Drug Administration (FDA) for detecting nodules in lung images~\cite{giger2008}. Today, 190 computer-aided radiological diagnostic systems using artificial intelligence have been developed and approved by the FDA, with 42 of these approved for chest radiology, including lung X-ray images~\cite{muehlematter2023}. Studies on the application of computer-aided diagnostic systems to radiological images using convolutional neural networks were reported in 1994~\cite{giger2018} and ~\cite{zhang1994}. Deep learning models, on the other hand, operate by incorporating multiple layers of convolutional neural networks~\cite{chollet2018}. In the field of medicine, deep learning methods are being developed for clinical tasks such as report generation from images, image quality assessment, classification of acquired images, segmentation studies, and diagnosis of images with different image parameters from other devices, particularly for accelerating radiological processes. ~\cite{choy2018}. In addition, studies have been conducted and developments made in areas such as image classification and diagnosis, object detection and segmentation, image reconstruction and enhancement, multi-modal data integration, and decision support systems. Developing an automated diagnostic system supported by computer automation and proven to be beneficial in clinical use, with high prediction accuracy and sensitivity, will accelerate the diagnostic process, which is crucial for accurately detecting lung pathology and avoiding misdiagnosis processes such as false positives and false negatives. It is anticipated that this system will contribute significantly to diagnostic and treatment processes in regions, countries, or medical centres where there is a particular need, by providing accurate and rapid interpretation of medical images, thereby reducing the required manpower and costs~\cite{wang2022}. One of the reasons for applying deep learning methods to medical images is to reduce the total time spent on diagnosis and treatment processes. For example, in the diagnosis of pneumonia, where time is critical, a delay in diagnosis can cause the disease to reach critical levels and become irreversible~\cite{mudiyanselage2024}. Numerous recent, notable, and reputable studies and research reports have been published on the development of deep learning models using lung images~\cite{xie2025}. Considering the performance of prediction models trained in this area, although the developed deep learning methods achieve high levels of accuracy, especially for the most dangerous lung pathology, which has the highest mortality and morbidity rates, which we have focused our studies on due to these characteristics as a pathological lung image type, it requires more extensive and sensitive studies when considering the rate and risk of confusion with other lung pathologies. Pneumonia is a finding characterised by inflammation of the lung parenchyma, specifically the tissue containing alveolar spaces. Pathologically, pneumonia manifests as the accumulation of fluid, oedema, and blood cells in the distal airways and alveoli, rather than air~\cite{Prina2015}. This process causes irregularities in the gas exchange system of the lung tissue and disrupts the ventilation-perfusion balance~\cite{Mizgerd2017}. Childhood pneumonia remains a dangerous public health problem in terms of universal child health. According to data from the World Health Organisation (WHO) on childhood pneumonia, pneumonia is one of the leading causes of death among children under the age of 5, with approximately 800,000 child deaths related to this condition~\cite{McAllister2019}. These deaths account for 14\% of deaths among children under the age of 5 and 22\% of deaths among children aged 1–5. In addition, UNICEF reports that approximately 1,400 cases of pneumonia are recorded among 100,000 children each year, with the highest number of cases occurring in South Asia (2,500 cases of pneumonia among 100,000 children) and West and Central Africa (1,620 cases per 100,000 children)~\cite{UNICEF2024}. Pneumonia in children is diagnosed through clinical evaluation, imaging methods, and laboratory tests. In addition, although pneumonia symptoms in children often include common findings such as coughing, shortness of breath, and fever, these common symptoms are not specific to pneumonia and overlap with those of other respiratory infections, including asthma, bronchitis, and bronchiolitis, making diagnosis particularly challenging in young children. Studies have reported that this overlap often leads to misdiagnosis during the diagnostic phase~\cite{Florin2017}. As the gold standard for diagnosing pneumonia, chest X-rays play a crucial role in establishing a definitive diagnosis for various diseases, as supported by numerous studies. For example, in children, the diagnosis of pulmonary tuberculosis is based on chest X-ray findings, such as hilar lymphadenopathy, a miliary pattern, or cavitation. Due to the insufficient sensitivity of microbiological laboratory tests, the chest X-ray is also of critical importance in the definitive diagnosis of this disease~\cite{Marais2006}. Studies have reported that chest X-rays have a sensitivity of 80-90\% in the diagnosis of pneumonia~\cite{Cherian2005}. It is the most commonly preferred first-line method in imaging studies for diagnosing pneumonia. Its low cost, accessibility, and relatively short turnaround time make it the gold standard in clinical practice~\cite{Alapat2022}. Studies have reported sensitivity rates of 70-85\%, while the specificity rate is reported to be between 80\% and 90\%. In addition to these, chest radiography is more advantageous than other techniques due to its low radiation exposure, low cost, and widespread availability in almost all centers~\cite{AlNufaiei2025}. In our study, 1,000 lung images were obtained from various departments and age groups at Koç University Faculty of Medicine to develop a convolutional neural network architecture model that will form the basis of a computer-aided diagnosis system. Some of the images are 'healthy', while others are 'pathological' images containing disease findings. To test our convolutional neural network architecture, which we aimed to develop from scratch, using an independent dataset, we utilised a dataset comprising 600 pediatric lung radiographs obtained from the Department of Pediatrics at Istanbul University, Istanbul Faculty of Medicine. The chest radiographs containing pneumonia findings were created by reviewing radiology reports that had passed the preliminary diagnosis stage from a pathological perspective and were recorded in the hospital system with a definitive diagnosis. The basis of our study is to obtain a sufficient amount of qualified lung X-ray image data to create a reliable and quantitative convolutional neural network model and to achieve successful values in terms of parameters that determine the model's performance, such as high test accuracy and AUC (Area Under Curve) score, using this dataset. Although datasets are widely available in public sources, questions arise and should arise regarding how and by whom they were labelled, the stages through which the diagnosis and diagnosis sections passed, and their reliability in terms of definitive diagnosis. For this reason, our datasets have been evaluated by qualified radiologists, obtained from qualified equipment, and diagnosed through preliminary diagnosis, decision councils, laboratory processes, and definitive diagnosis stages. Developing a model with high clinical quality using this qualified dataset is another fundamental objective of our study. The diagnosis and labelling of images should be performed by centres with a team of experienced radiologists who are experts in their field and have access to qualified equipment. However, there are places in the world where there are not enough radiologists to diagnose pneumonia from chest X-ray images accurately. The predictions of the CNN model aim to expand the information that clinicians can use in their decision-making process, especially in pediatric triage situations. The purpose of presenting a prediction generated by artificial intelligence is to provide additional information and support to the decision-making process, in addition to radiological processes. The main objectives of this study are to support existing radiologic processes and systems, especially in regions and centres in need, to accelerate clinical flow, and to pioneer the development of accurate and reliable systems by contributing to these complex radiologic processes, using the ESA model we developed and similar ones, which form the basis of BDTS.

Benzer Tezler

Tez No
847190
Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Gazi Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
Tez No
645592
Dijital radyolojide farklı X-ışın tüp voltajı ve ek filtre kalınlığının radyasyon dozuna ve görüntü kalitesine etkisi
The effect of different X-RAY tube voltage and additional filter thickness on radiation dose and image quality in digital radiology
EMRAH AKŞİT
Yüksek Lisans
Türkçe
2020
Radyoloji ve Nükleer Tıp Ankara Üniversitesi
Sağlık Fiziği Ana Bilim Dalı
PROF. DR. TURAN OLĞAR
Tez No
728057
COVID 19 tanılı çocuklarda radyolojik bulguların retrospektif olarak değerlendirilmesi
Retrospective evaluation of radiological findings in children with COVID 19
ZEYNEP ECE TAŞTEKİN POLAT
Tıpta Uzmanlık
Türkçe
2022
Çocuk Sağlığı ve Hastalıkları Dicle Üniversitesi
Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. KAMİL YILMAZ
Tez No
360190
Akciğer tüberkülozu şüphesi bulunan çocuk hastaların bilgisayarlı tomografi incelemesinde mediastinal ve hiler lenfadenopatilerin saptanmasında gözlemciler arası uyumun değerlendirilmesi
Interobserver interobserver variability of mediastinal and hilar lymph node detection with computed tomography in pediatric patients with suspected tuberculosis
MEHMET FATİH ÖZKUL
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer Tıp Uludağ Üniversitesi
Dahili Tıp Bilimleri Bölümü
PROF. ZEYNEP YAZICI
Tez No
260239
Tüberkülin cilt testi pozitif olan hastalarda akciğer grafisi ve toraks bilgisayarlı tomografi bulgularının karşılaştırılması
Başlık çevirisi yok
EVRİM EFE
Tıpta Uzmanlık
Türkçe
2010
Çocuk Sağlığı ve Hastalıkları Sağlık Bakanlığı
Kadın Hastalıkları ve Doğum Ana Bilim Dalı
DR. RENGİN ŞİRANECİ

Geri Dön