<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Deniz Alis on Medium]]></title>
        <description><![CDATA[Stories by Deniz Alis on Medium]]></description>
        <link>https://medium.com/@drdenizalis?source=rss-1f73b691e03b------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*8fthVstpxEFk_ZEA.jpg</url>
            <title>Stories by Deniz Alis on Medium</title>
            <link>https://medium.com/@drdenizalis?source=rss-1f73b691e03b------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 14:26:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@drdenizalis/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Medikal Görüntülemede Yapay Zeka: Kantitatif radyolojik değerlendirme “Radiomics”]]></title>
            <link>https://drdenizalis.medium.com/medikal-g%C3%B6r%C3%BCnt%C3%BClemede-yapay-zeka-kantitatif-radyolojik-de%C4%9Ferlendirme-radiomics-a04d8dfd9187?source=rss-1f73b691e03b------2</link>
            <guid isPermaLink="false">https://medium.com/p/a04d8dfd9187</guid>
            <category><![CDATA[oncology]]></category>
            <category><![CDATA[medical-imaging]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[radiomics]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Deniz Alis]]></dc:creator>
            <pubDate>Thu, 17 Dec 2020 10:26:15 GMT</pubDate>
            <atom:updated>2020-12-17T10:26:15.845Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Medikal Görüntülemede Yapay Zeka: Kantitatif radyolojik değerlendirme “Radiomics”</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SFOaDn5qqpC36vKa9aD1Lw.jpeg" /></figure><p><strong>Radiomics Nedir?</strong></p><p>Tıbbi görüntülemede yapay zekanın kullanımı üzerine yazdığım yazının ikinci bölümü, son yıllarda giderek artan şekilde hem akademik hem klinik çalışmalarda kullanılan Radiomics üzerine olacak. Radiomics genellikle medikal görüntülerde kullanılan bir özellik çıkarma ve analiz yöntemidir. Radiomics ile medikal görüntülerdeki piksellerin değerleri ve piksellerin birbiri arasındaki ilişki analiz edilir. Nasıl ki bir hastaya ait yaş, cinsiyet, boy, kilo, kan değerleri gibi özellikleri kullanarak bazı hastalık tahminleme için modeller oluşturuyorsak, görüntülerde bulunan ve insan gözüyle ayırt edilemeyecek veri ile birlikte makine öğrenmesi algoritmalarınının da yardımıyla önemli çıkarımlar yapabiliriz.</p><p>Radiomics kavramı her ne kadar son yıllarda popülerleşse de aslında yaklaşık on yıldır hayatımızda olan bir kavram. Radiomics’i ortaya çıkaran temel motivasyon, tıbbi görüntülerin matematiksel temelinde yer alan yüksek boyutlu verinin incelenen dokunun biyolojik özellikleri hakkında insan gözüyle saptanamayacak yüksek boyutta bilgi içerdiği hipotezidir. Örneğin bir radyoloji hekimi beyindeki kitlesel bir oluşuma baktığında onun iyi huylu veya kötü huylu olduğunu bazı subjektif niteliksel bulgular ile değerlendirir-düzensiz sınırlı bir kitlenin kötü huylu olma olasılığının yüksek olması gibi. Radiomics ise bu değerlendirmeyi çok daha başarılı ve aynı zamanda sayısal, tekrarlanabilir ve objektif şekilde yapmayı amaçlar.</p><p>Yazının ileri bölümlerinde sırasıyla sanal doku analizlerinin nasıl yapıldığına, bu analizlerden ortaya çıkan özniteliklerin neler olduğuna, bu özniteliklerin makine öğrenme yöntemleri ile seçilmesine ve son olarak Radiomics imzasının oluşturulmasına değineceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YdDshUrtq65czlgx6zCY5w.jpeg" /><figcaption><strong>Prostat kanserinde sanal doku analizi ile Radiomics özniteliklerinin çıkarılması.</strong></figcaption></figure><p><strong>Sanal doku analizleri</strong></p><p>Sanal doku analizi için ilk ve en önemli adım hangi görüntüleri kullanacağımız, görüntüdeki önem arz eden obje ve o objeyi nasıl bölütleyeceğimizdir. Sanal doku analizleri hem 2-boyutlu hem de 3-boyutlu şekilde gerçekleştirilebilmekle birlikte son yıllarda ibre 3-boyutlu analizler yapmaktan yana doğru kaymaktadır. Bunun altında yatan en önemli neden ise 2-boyutlu analizlerde incelenen dokudan alınan bilginin azalmasıdır. Peki bölütlemeyi nasıl ve nerede yapacağız ve doku özniteliklerini nasıl oluşturacağız? Bunun için akademik çalışmalarda sıklıkla kullanılan bazı grafiksel kullanıcı ara yüzüne sahip çözümler mevcut. <a href="http://www.eletel.p.lodz.pl/programy/mazda/">MaZda</a> basit kullanıcı ara yüzüne sahip olması ve birçok doku öznitelik analizine izin vermesiyle birçok yazıda kullanılan bir program. MaZda’yı hem Mac hem Windows işletim sistemlerinde kullanmak için bu linki kullanabilirsiniz.</p><p><a href="https://lifexsoft.org/">Lifex</a> yazılımı da tıpkı MaZda gibi ücretsiz ve kullanıcı dostu bir yazılım; ayrıca birçok farklı doku analizine olanak sağlıyor.</p><p>Bu iki yazılım dışında özellikle 3-boyutlu doku analizleri gerçekleştirmek için 3D-Slicer uygulaması son derece faydalı olabiliyor. Şahsen analizlerini 2D görüntüler ile yapacak araştırıcılar için Lifex veya MaZda’yı, 3D analizler üzerine ilerleyecek arkadaşlarımız için 3D-Slicer’ı öneriyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CnjuCRjcj71Up6jFaF-nUg.jpeg" /></figure><p>Son kullanıcı için tasarlanmış bu kullanıcı arayüzüne sahip uygulamalar dışında orta ve ileri düzeyde Python diline hakim araştırmacılar için radiomics’e özel son derece kapsamlı bir kütüphane <a href="https://www.radiomics.io/">mevcut</a>.</p><p>Pekala, bu programları çalıştırdık, analiz yapmak istediğimiz görüntüleri yükledik ve 2 veya 3-D olarak bölütleme işlemini gerçekleştirdik. Karşımıza seçimlerimize göre yüzlerce hatta binlerce farklı sayısal değer içeren bazı öznitelikler (Ortalama Histogram, Gri Seviye Kovaryans Matrisi Entropisi , Gri Düzey Uzun Dönem Vurgusu vb.) elde ediyoruz. Nedir bu öznitelikler? Neyi ifade ediyorlar?</p><p><strong><em>Radiomics öznitelikleri</em></strong></p><p>Radiomics öznitelikleri medikal görüntülerin matematiksel yapısını ifade eder. Radiomics özniteliklerinin birçok farklı sınıflandırması mevcut olmakla birlikte kabaca bu öznitelikleri her bir pikseli ayrı ayrı inceleyen birinci seviye ve pikseller arasındaki ilişkiyi inceleyen ikinci-seviye veya yüksek-seviye öznitelikler olarak tanımlayabiliriz. Aslında günlük hayatta radyoloji hekimleri farkında olmadan bazı birinci-seviye öznitelikleri kullanıyorlar. Örneğin bir medikal görüntünün üzerine bir belirteç koyduğumuzda o belirteç içerisindeki en yüksek sinyal intensitesine sahip piksel bize birinci düzey bir öznitelik olan maksimumu veriyor. Bununla birlikte ikinci düzeydeki öznitelikler çok daha kompleks ve bütüncül analizler sonucunda ortaya çıkıyorlar. Örneğin bir önceki bölümde bahsettiğimiz “Gri Düzey Uzun Dönem Vurgusu” özniteliğini ele alalım. Bu öznitelik Gri Seviye Çalışma Uzunluğu Matrisi grubunda yer alıyor. Bu öznitelik grubu belirtilen yön içerisinde tekrar eden piksellerin homojenitesini ölçen alt özniteliklere sahip.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2VEx8zaUe0bUKMFGedx41Q.jpeg" /><figcaption><strong>Sağ üstte insan gözünün gördüğü haliyle bir beyin MRG görüntüsü ve bu görüntüde ok ile işaretli kitle görülüyor. Diğer resimler makine görmesi ile oluşturulmuş farklı öznitelik haritaları.</strong></figcaption></figure><p>Örneğin Gri Seviye Kovaryans matrisi entropisi bir pikselin çevresindeki değişkenliği ölçüyor ve artıkça homojenlik azalıyor. Kötü huylu bir tümör içerisinde genel olarak homojenitenin kaybına neden olan nekroz, kanama ve anormal hızlı çoğalan doku komponentleri olduğundan dolayı, Gri Seviye Kovaryans matrisi entropisi yüksek bir tümörün daha kötü huylu olduğu çıkarımı yapılabiliyor. Tabi Radiomics özellikleri bu bahsettiklerim ile sınırlı değil, bazı özel filtreleme yöntemleri ile (LoG, Wavelett vb.) sayıları binleri geçen bu öznitelikler hakkında daha detaylı bilgiyi<a href="https://arxiv.org/abs/1612.07003"> buradan edinebilirsiniz</a>. Peki, öznitelikleri çıkardık ve elimizde incelediğimiz iyi huylu ve kötü huylu tümöre ait onlarca hatta yüzlerce öznitelik var. Bunları nasıl kullanacağız?</p><p><strong><em>Radiomics ve Makine Öğrenmesi</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*by9g9XkLnSCPofWuM8qjvA.jpeg" /></figure><p>Radiomics analizimizi gerçekleştirdik ve elimizde büyük bir veri seti oluştu. Peki bu verinin içerisinde gerçekten anlamlı ve işimize yarayacak öznitelikleri nasıl bulacağız? İşte burada devreye makine öğrenmesi yöntemleri giriyor. Makine öğrenmesi yapay zekanın heyecan uyandıran alt dallarından biri ve kabaca kendisine verilen örneklemlerden tıpkı insanların yaptığı gibi anlamlı çıkarımlar yapmayı amaçlıyor diyebiliriz. İlk yazımızda da belirttiğimiz gibi derin öğrenmeden en önemli farkı yapay zeka araştırıcısının da en önemli özniteliklerin bulunması aşamasından önemli bir rol oynaması. Makine öğrenmesinin Radiomics sürecindeki önemli rollerinde biri model ve problem için anlamlı olacak özniteliklerin belirlenmesi. Bahsettiğimiz gibi yapay doku analizleri sonucunda onlarca hatta yüzlerce öznitelik elde ediyoruz. Bu özniteliklerin çoğu modelleme için faydalı bilgi içermeyen gürültü veya birbiri ile çok yüksek korelasyon gösteren öznitelikler. Oysa ki, medikal görüntülemede çalışılan örnek sayıları değişkenlik göstermekle birlikte genellikle yüzlü sayılarla ifade ediliyor ve özniteliklere göre çok daha düşük sayıda olmaları çok sık görülen bir senaryo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jqW-Cr1tooalZ-CFDMcDbg.jpeg" /></figure><p>Örneği beyin tümörü olan 100 hastamız varken bu hastaların beyin MRG’lerinden elde ettiğimiz 1000&#39;in üstünde öznitelik olabiliyor. Bu dağılımdaki görüntüleme veri seti tek merkez çalışmaları için en sık gördüğümüz senaryo diyebiliriz. Maalesef yüksek sayıda özniteliğin olduğu ve örneklem büyüklüğünün görece yetersiz olduğu bir senaryoda eğittiğimiz model eğitim verimize aşırı uyumlu modelleme (over-fitting) gösterebilir. Yani model eğitim veri setinde bazıları aslında gerçekten ayırt edici olmayan özniteliklere yani veri setindeki gürültüye uyum sağlar çok iyi bir performans gösterir ancak genelleştirilebilir olmaz ve bu nedenle daha önce görmediği bir veri setinde çok kötü performans gösterir. Çok nadiren uyguladığımız makine öğrenme metodu fazla basitse yetersiz modelleme (under-fitting) gerçekleşebilir. Aşağıdaki resimde aşırı modelleme, yetersiz modelleme ve iyi modelleme gösteren model örnekleri göreceksiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O5SUDc6fHM6I2_fppaT9_w.jpeg" /><figcaption><strong>X ve Y düzlemlerinin iki özniteliğe ait olduğunu ve iyi huylu (mavi)-kötü huylu (kırmızı) tümör ayrımı yapma amacıyla bir model inşa ettiğimizi düşünelim. En sağda yetersiz modelleme gösteren bir model var, model sadece lineer olarak iyi ve kötü huylu tümörleri ayırt edebiliyor. Böyle bir durumda modelin aşırı basit olduğunu söyleyebiliriz. En solda ise aşırı modelleme gösteren bir model var. Model tüm iyi ve kötü huylu tümörleri ayırıyor ancak dikkat edelim ortada parmaksı bir çıkıntı var. Böyle bir model eğitim setinde başarılı olsa da, test setinde kötü bir performans göstermesi riski yüksektir. Ortada ise iyi uyum gösteren ideal bir model var. Bu modelin genelleştirilebilir olacağını varsayabiliriz.</strong></figcaption></figure><p>Peki ne yapalım da elimizdeki özniteliklerin en iyi olanlarını seçelim ve geride kalanları eleyelim? Burada yapabileceğimiz bazı kilit yöntemler mevcut. Bu yüksek sayıda özniteliklere boyut indirgeme uygulayabilir, öznitelik seçim yöntemleri ile en iyi öznitelikleri seçebilir veya filtreleme yöntemleri kullanabiliriz. Bu yöntemlerden boyut indirgeme sıklıkla kullanılan bir yöntem. Boyut indirgeme ile hem makine öğrenme yöntemlerinin performansı arttırılabiliyor hem de veri setinin dağılımını insanların algılayabileceği düzlemde sunabiliyoruz. Temel bileşen analizinin (PCA) boyut indirgeme teknikleri içinde en bilinenlerden ve sık kullanılanlardan biri olduğunu söylemek yanlış olmaz. Temel bileşen analizi çok boyutlu ve bazıları birbiri ile yüksek korelasyon gösteren özniteliklerden oluşan veri setini, bazı lineer transformasyon yöntemleri kullanarak daha düşük boyutta birbirinden bağımsız yeni özniteliklerden oluşan bir veri setine çevirme işlemidir. Aşağıda temel bileşen analizi sonucunda üç farklı boyuttan oluşan bir veri setinin iki boyuta indirildiğini görüyoruz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fiob2w2c56_A%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Diob2w2c56_A&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fiob2w2c56_A%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/bf934ea39c0f1abdf4a17c464cfb55f6/href">https://medium.com/media/bf934ea39c0f1abdf4a17c464cfb55f6/href</a></iframe><p><strong>Radiomics imzasının oluşturulması</strong></p><p>Model için özniteliklerimizin boyutunu düşürdükten sonra makine öğrenme yöntemleri kullanarak bir Radiomics imzası ortaya koyma aşaması geliyor. Bu adımda genelde eğitmenli öğretim yöntemleri kullanılıyor. Regresyon veya sınıflandırma amacıyla bir makine öğrenmesi yöntemini seçerek Radiomics imzası oluşturuyoruz. Regresyon modelleri devamlı değişkeni tahmin etmek istediğimiz durumlarda kullanılıyor. Örneğin hasta sağ-kalım beklentisinin ortaya konması gibi bir amaç için regresyon modelleri kullanmamız gerekiyor. Doğrusal regresyon, Elastic-net, Ridge regresyon, destek vektör makinesi ve yapay sinir ağları eğitmenli regresyon analizleri için sık kullanılan yöntemler olarak sayılabilirler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FeHN50e-zIpr-QcCwI0zJA.jpeg" /></figure><p>Radiomics analizlerinin kullanıldığı diğer senaryo ise sınıflandırma analizleridir. Tümör için iyi huylu-kötü huylu ayrımı yapılması, tümör gen analizlerinin görüntüler üzerinden gerçekleştirilmesi, tümörlerin tiplerinin ayırt edilmesi gibi farklı senaryolar bu analizlere örnek olarak verilebilir. Karar ağaç sınıflandırıcıları, naif Bayes sınıflandırıcı, k-en yakın komşu algoritması ve yapay sinir ağları sınıflandırma analizleri için sıklıkla kullanılan yöntemlerdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qp42FbqN8TfcAI43maVSxQ.jpeg" /></figure><p>Bu modellerin her birinin matematiksel temelleri ayrı ayrı kitap konusu olabilecek kadar genişler. Bu konular hakkında daha derin okuma yapmak isteyenler <a href="https://scikit-learn.org/stable/index.html">Scikit-learn kütüphanesine </a>göz atabilirler. Bu kütüphaneyi daha etkin şekilde kullanmak için “<a href="https://www.amazon.com.tr/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291">Hands-On Machine Learning with Scikit-Learn and TensorFlow</a>” okuması çok keyifli pratik bir kitap. Coursera’da ise Andrew Ng anlatımıyla Stanford Üniversitesinin <a href="https://www.coursera.org/learn/machine-learning">Makine Öğrenme kursu</a> gerçekten çok faydalı bir kaynak. Kurs ücretini karşılayacak bütçesi olmayanlar için ücretsiz programları mevcut.</p><p>Kodlama ile arası çok iyi olmayan ve yaptığı doku analizlerinin gücünü makine öğrenmesi kullanarak en üst düzeye çıkarmak isteyen kullanıcılar için <a href="https://www.cs.waikato.ac.nz/ml/weka/">WEKA</a> güzel bir ücretsiz program. WEKA ile hemen hemen her türlü makine öğrenmesi yöntemini kodlamaya gerek kalmadan uygulayabilirsiniz. Üstelik uygulamanın web sayfasında ücretsiz olarak programın kullanımı ve makine öğrenmesi üzerine son derece faydalı faydalı dersler mevcut. Ben de makine öğrenmesi çalışmalara ilk başladığım dönemlerde WEKA’yı kullanmış ve çok verim almıştım. Bu alandaki yeni arkadaşlarımız için özellikle kodlama geçmişleri yoksa Python kütüphanelerine alternatif güzel bir yol olduğunu düşünüyorum.</p><p><strong>Yazıyı kapatmadan yukarıda bahsettiğimiz tüm aşamaları bir klinik araştırma modelinde nasıl uygulayacağımıza bir göz atalım:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sgcq5tmHfK4-KeTIFbS0Fw.jpeg" /></figure><p><strong>(1) Verilerin toplanması</strong></p><p>Elimizdeki iş için analiz edeceğimiz görüntüleri belirliyoruz. Örneğin beyin tümörlerinin iyi huylu ya da kötü huylu olduğunu ayırt edecek bir Radiomics imzası elde etmek istediğimizi varsayalım. Bunun için beyin tümörü olan beyin MRG görüntülerini veri setimize dahil ettik. Dahil ettiğimiz bu görüntülerde Radiomics çalışmalarında en sık kullanılan yol eğitmenli öğretim kullanacaksak öncelikle gerçek referans değeri ortaya koyacak veriye ihtiyacımız var. Böyle bir çalışma senaryosunda bu veri beyin tümörlerinin histopatolojik olarak incelenmesi sonucu ortaya konabilir.</p><p><strong>(2) Yapay doku analizlerin gerçekleştirilmesi ve özniteliklerin elde edilmesi</strong></p><p>Bu aşamada kullanabileceğimiz açık kaynak kodlu yazılımlardan yazı içerisinde bahsettik.</p><p><strong>(3) Eğitim ve Doğrulama setleri</strong></p><p>Veri setimizi ve veri setindeki olguların gerçek referans değerini belirledik, şimdi sırada veri setimizi nasıl ayıracağımız var. Radiomics eğitmenli öğrenim olgularında yazılı olmayan kurallardan biri veri setini %70 eğitim ve %30 doğrulama seti olarak ayırmaktır. Ayrıca k-Kat çapraz validasyon yöntemli kullanarak veri setimizin tamamını farklı iterasyonlarda eğitim ve validasyon amacıyla kullanabiliriz. Eğitim seti bizim Radiomics imzasını oluşturacağımız ana verimizdir. Bu veri üzerinde çalışarak bir imza oluşturup bu imzayı doğrulama setinde uygularız. Doğrulama setindeki imzanın başarısına göre modelimizde değişikliklere giderek doğrulama setinde daha iyi performans veren bir model elde etmeye çalışırız.</p><p><strong>(4) Boyut indirgenmesi &amp; Öznitelik seçimi</strong></p><p>Temel bileşen analizi, sözlük öğrenmesi, bağımsız bileşen analizi ve faktör analizi gibi yöntemler ile öznitelik sayısının düşürülmesi aşırı modelleme riskinin azaltılması veya öznitelik seçim yöntemleri ile modele girecek en faydalı özniteliklerin belirlenmesi</p><p><strong>(5) Eğitmenli makine öğrenmesi</strong></p><p>Yapmak istedğimiz sınıflandırma veya regresyon analizlerine göre uygun makine öğrenme yöntemleri ile analizlerimizin eğitim seti üzerinde gerçekleştirilmesi ve doğrulama veri setinde model performansının ölçümlenmesi.</p><p><strong>6) Radiomics imzasının oluşturulması</strong></p><p><strong>7) Bağımsız veri setinde testler</strong></p><p>Elde ettiğimiz Radiomics imzasının çalışma veri setimiz dışındaki veri setlerindeki performansının, dolayısıyla ne kadar genellenebilir bir model olduğunun ölçülmesi.</p><p>Burada yazımı sonlandırıyorum. Umarım sizlere Radiomics sürecini basitleştirilmiş bir halde anlatabilmişimdir. Önümüzdeki yazıda tıbbi görüntüleme alanında derin öğrenmenin en önemli kullanım alanlarını, yapılan çalışmaları ve tıbbi görüntüleme sektöründe gerçekleşen heyecan verici gelişmeleri sizlerle paylaşacağım. Görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a04d8dfd9187" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tıbbi Görüntüleme ve Yapay Zeka]]></title>
            <link>https://drdenizalis.medium.com/t%C4%B1bbi-g%C3%B6r%C3%BCnt%C3%BCleme-ve-yapay-zeka-ef333b341a87?source=rss-1f73b691e03b------2</link>
            <guid isPermaLink="false">https://medium.com/p/ef333b341a87</guid>
            <category><![CDATA[convolutional-neural-net]]></category>
            <category><![CDATA[radiology]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[medical-imaging]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Deniz Alis]]></dc:creator>
            <pubDate>Fri, 21 Aug 2020 16:31:16 GMT</pubDate>
            <atom:updated>2020-08-21T16:31:16.742Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Tıbbi Görüntüleme ve Yapay Zeka</strong></p><p><strong>Bölüm-1) Derin Öğrenmenin Önlenemez Yükselişi</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*z0F8xzcJG1whs1JWoy6nSw.jpeg" /></figure><p>Son yıllarda yapay zeka kavramı hepimizin bildiği gibi gündelik hayatımızın bir parçası oldu. Artık neredeyse her alanda “yapay zekaya” sahip ürünler ve yazılımlar mevcut. Yapay zeka algoritmaları, mobil telefonlardaki yüz tanıma sistemlerinden sesli asistanlara, yaptığımız alışverişlerden ve gezindiğimiz internet sitelerinden davranış kalıplarımızı analiz edip bize özgü reklamlar oluşturan uygulamalardan sürücüsüz otomobillere varan geniş bir yelpazede son derece başarılı sonuçlar ortaya koymakta.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xSy61Ugi_tHfJI28P6y6-g.jpeg" /></figure><p>Sağlık alanı ve özellikle de tıbbi görüntüleme, gün geçtikçe popülerliği daha da artan yapay zeka temelli uygulamalardan nasibini aldı ve önümüzdeki yıllarda da giderek almaya devam edecek. Altı bölümden oluşacak yazı dizisinin bu bölümünde; kısaca tıbbi görüntülemeden, tıbbi görüntülemede yapay zeka kullanımından, derin öğrenme ile makine öğrenmesinin farklarından ve derin öğrenmenin neden tıbbi görüntüleme için son derece umut verici gelişmelere imza attığından bahsedeceğim. İkinci bölümde ise tıbbi görüntülemede bir diğer heyecan verici konu olan ‘radiomics’ hakkında olacak. Yazı serimizin üçüncü bölümünde derin öğrenmenin tıbbi görüntülemede güncel pratikte ek önemli kullanım alanları ve gelecekte bizleri bu konuda neler beklediği üzerine olacak. Dördüncü bölümde görüntü işlemede kullanılan derin öğrenme modellerinin mimari yapılarına göz atacağız. Beşinci bölümde ise Python yazılım dilini kullanarak akciğer grafisi ve batın grafisini ayırt etmeye yarayan basit bir derin öğrenme mimarisi oluşturacağız. Altıncı ve son yazı bölümümüzde ise radiomics kullanarak iyi huylu ve kötü huylu tümör ayrımı gerçekleştireceğiz.</p><p><strong>Kahvelerinizi aldıysanız başlayalım. Öncelikle tıbbi görüntüleme nedir?</strong></p><p>Tıbbi görüntüleme mamografi, bilgisayarlı tomografi, manyetik rezonans görüntüleme ve sintigrafi gibi radyoloji ve nükleer tıp cihazları ile hastalıkları girişimsel yöntemler olmadan tespit etme işlemidir. Günümüzde hastanelere yolu düşen herkes bu cihazlardan bir veya birkaçında incelemeye girmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MCuispLP4NZbzqGRjX8trA.jpeg" /></figure><p>Milenyum sonrasında tıbbi görüntülemenin tıp pratiğindeki önemi, artan teknoloji ile birlikte katlanarak artmıştır. Bir hastanın hastaneye girişi sonrasında herhangi bir görüntüleme yapılmadan hastaneden çıkmasının artık şaşırtıcı olabildiği bir dönemde olduğumuzu söylemek çok da yanlış olmaz. Bu arada çekilen tüm görüntüler genelde sizin çekim sırasında görmediğiniz ve masa başında günlük çekilen onlarca hatta yüzlerce görüntülemeyi yorumlayan radyoloji hekimlerince değerlendiriliyor =) Bu incelemeler artan görüntü kalitesine sahip cihazlar nedeniyle çok daha fazla sayıda ve yüksek çözünürlükte görüntü üretiyor. Tıbbi görüntüleme hızındaki inanılmaz artışı net olarak göstermek gerekirse 2000–2016 arasından Amerika’ Birleşik Devletleri’nde tıbbi görüntüleri yorumlamayı gerçekleştiren radyoloji hekimi 27 binden kişiden 38 bine çıkarken aynı süreçte gerçekleştirilen tıbbi görüntüleme sayısı 200 milyondan neredeyse 600 milyona ulaşmış. Artan incelemelere hekimlerin artık yetişmekte zorlandığı bir dönemdeyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*18Ba6wJhwyGMlx7rXIKF4w.png" /></figure><p>Tüm bunların yanında bir de biyolojik bir makine olan insanın görsel gücünün bazı yetersizliklere sahip olduğundan da bahsetmeliyiz. İnsan gözünün en yüksek çözünürlüğü yaklaşık 576 megapiksel olarak hesaplandı. Bu rakam son nesil cep telefonları kameralarına göre inanılmaz yüksek ama gerçekten insan gözünün görme gücü bu kadar yüksek mi? Aslında cevap hayır insan gözü bu yüksek çözünürlüğü sadece baş parmak büyüklüğünde bir alan için sağlayabiliyor insan gözünün büyük çoğunluğu 10 çözünürlüğü gibi çok düşük bir çözünürlüğü sahip. Aslında tüm olay, gözlerimizin gördüğü düşük çözünürlüğü beynimizin bize yüksek gibi algılatmasından ibaret =) Ayrıca radyoloji incelemeleri gri skalada yapılır ama insan gözü en iyi ihtimalle sadece 700 ile 900 farklı gri tonunu algılayabiliyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GVUCfXULLouCkTUdrW6SMw.jpeg" /></figure><p>Tüm bu bilgiler ışığında yapay zeka alanında çalışan yapay zeka araştırmacılarının, veri bilimcilerin ve benim gibi bazı hekimlerin aklına şu sorunun gelmesi şaşırtıcı olmasa gerek: Yapay zeka radyoloji hekimlerine görüntü değerlendirmede yardımcı olabilir mi? Hatta bu soruyu bir adım ileri götürürsek: Yapay zeka yakın gelecekte radyoloji hekimlerinin yerini alabilir mi? Şaşırtıcı gelebilir ama bu soru 1990’lı yıllardan beri soruluyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/468/1*flzzsP3qMDX9uvOXbwrQVg.png" /></figure><p>1990’lı yıllardan itibaren geleneksel makine öğrenme yöntemlerini kullanan yapay zeka yazılımları radyoloji alanında hizmet vermeye başlamıştı. Bununla birlikte bu öncül yapay zeka algoritmalarının tanısal performansı yetersiz kalmış ve kısıtlı kullanım alanına sahip olmuştur. Hekimler arasında hayal kırıklığı yaratan bu süreç sonrasında tıbbi görüntüleme sektöründe çalışan hekimlerin yapay zeka uygulamalarına karşı mesafeli bir tavır aldığını söylemek hatalı olmaz. Bu öncül yapay zeka uygulamalarının geniş bir yelpazede ortaya çıkan patolojileri değerlendirmede asla radyoloji hekimi düzeyinde başarılı olamayacağını düşünülmeye başlanmıştı.</p><p><strong>Fakat bir dönüm noktası yaklaşıyordu…</strong></p><p>2012 yılında görüntüleme alanında yapay zekanın dönüm noktalarından biri gerçekleşti: Geoffrey Hinton, Alex Krizhevski ve Ilya Sutskever’in ortaya koyduğu özelleşmiş bir derin öğrenme mimarisi olan evrişimsel sinir ağı AlexNet (“convolutional neural networks” [CNN])’ dünyaca ünlü doğal obje tanıma yarışması ImageNet Large Scale Visual Recognition Challenge (ILSVRC) yarışmasında en yakın rakibi olan makine öğrenme algoritmasına %10 fark atarak birinci oldu. Takip eden yıllarda dünyaca ünlü birçok görüntü analiz yarışmasında CNN modeller, tüm diğer yapay zeka modellerini büyük farkla geride bırakmayı başardı. Hatta CNN modelleri insanların performansını bile geride bıraktı. CNN modellerinin doğal obje tanımadaki insan üstü performansı bu algoritmaların medikal görüntüleme alanında kullanımını konusunda inanılmaz bir beklenti yarattı. Son yıllarda dünyanın en önemli dergilerinde derin öğrenme temelli yüzlerce makale yayınlandı. Bu yayınlardan bazılarının sonuçları yapay zekanı tıbbi görüntüleri radyoloji hekimlerine denk hatta daha yüksek başarı ile yorumlayabileceğini gösterdi. Peki nedir bu derin öğrenme ve geleneksel makine öğrenme yöntemlerinden farkı ne?</p><p><strong><em>Öncelikle yapay zekanın alt branşlarını inceleyen bu resme birlikte bakalım</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/468/1*KBECt2hFfTnqrH6CvEKccQ.png" /></figure><p>Üstteki resimde gördüğünüz gibi derin öğrenme makine öğrenmenin bir alt dalını oluşturuyor. Geleneksel makine öğrenme yöntemlerini kullanan görüntü analiz mimarilerinin ana işleyiş şemasında, ilgili resim için önemli olabilecek görüntü öznitelikleri uzman yazılımcılar ile belirlenir (hand-crafted features veya pre-enginered features) ve ortaya konan mimari önceden hazırlanan kurallara göre kendisini oluşturan amaç doğrultusunda (örneğin mamografi incelemede memede lezyonların tespiti veya iyi huylu ve kötü huylu lezyon ayrımı) çalışır. Örneğin kötü huylu kitlelerin sınırlarının iyi huylulara göre düzensiz olması beklendiğinden, öznitelik haritasında düzensiz sınır özelliği kötü huylu kitleler ile ilişkilendirilir. Her ne kadar bu yöntem kulağa son derece mantıklı gelse de, pratikte beklenen başarı elde edilememiştir. İnsan anatomi ve patolojisindeki değişkenliklerin yanı sıra, çekim cihazlarına ve çekim koşullarına bağlı birçok değişken devreye girdiğinde önceden belirlenen bu özellikler istenilen tanı performans düzeyine ulaşamamıştır.</p><p><strong>Peki derin öğrenme neden farklı?</strong></p><p>Derin öğrenme yöntemlerinde mimarinin kendisi verilen görev için en iyi öznitelik haritalarını tespit eder ve buna göre analizlerini yapar. Yani derin öğrenmede hem öznitelik seçimi hem de modelin geliştirilmesi aynı anda gerçekleşir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/468/1*KdXuFcDgfw-Y3Rego5iUUA.png" /></figure><p>Derin öğrenme yapısı itibariyle varyasyonlara karşı son derece dirençli olmasının yanı sıra hiyerarşik öğrenme gösterir. Hiyerarşik öğrenmede mimariler önce beslendiği verilerin basit özelliklerini öğrenir ve daha sonra bu bilgiler ile daha yüksek temsil gücüne sahip haritalar oluşturur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rAwCH-Xepjgg1bGOpKlbdg.jpeg" /></figure><p>Yukarıdaki resimde AlexNet’in yapısını görüyorsunuz. Bu modelde CNN algoritmasına verilen görüntü sırasıyla birbiri ardına eklenmiş konvolüsyon (CONV) ve Maksimum birleştirme (MaxPool) katmanlarından geçiyor. Bu işlem sırasında mimari önce görüntünün basit özelliklerini öğrenirken (renk tonları, çizgiler, köşeler vb.) daha derin katmanlar bu özellikleri birleştirerek çok daha yüksek temsil gücüne sahip öznitelik haritaları üretiyorlar. Son aşamada ise evrişimsel sinir ağları tamamen bağlı katman (Fully conntected layer) ile sonlanarak tahminleme gerçekleştiriyorlar (Örneğin beyin kanaması var ya da yok). AlexNet makalesine <a href="https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf"><strong>buraya</strong></a><strong> </strong>tıklayarak ulaşabilir ve daha detaylı bilgi edinebilirsiniz. Ben de ileriki yazılarımızda AlexNet’i ve diğer önemli derin öğrenme mimarilerini sizinle daha detaylı olarak paylaşacağım.</p><p><strong>Neden derin öğrenme tıbbi görüntüleme alanında son yıllarda bu kadar popüler oldu?</strong></p><p>Derin öğrenmenin temel yapısı olan yapay sinir ağları aslında makine öğrenme alanında çalışan araştırmacılar için yeni bir konsept değil. Yapay sinir ağlarının geçmişi 1950’li yıllara kadar gidiyor. Yapay sinir ağları biyolojik nöronlardan esinlenerek tasarlanmıştı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/446/1*cWCJnRG6AlEb8T5TIEmJHQ.png" /></figure><p>Tıpkı biyolojik nöronlar gibi yapay nöronlar da kendilerine iletilen bilgiyi alır, işler ve bir aktivasyon fonksiyonu ile bir sonraki katmandaki bağlı olduğu nöronlara iletir. Bu aktivasyon işlemleri elimizde bazı alternatifler mevcut ancak günümüz CNN genel olarak rektifiye doğrusal birim (ReLU) fonksiyonunu kullanıyorlar. Önümüzdeki yazılarda bu aktivasyon fonksiyonları hakkında daha detaylı bilgiler paylaşacağım ancak işin matematiğini merak edenler <a href="http://proceedings.mlr.press/v15/glorot11a/glorot11a.pdf">bu makaleye</a> başvurabilirler.</p><p>Ne yazık ki derin öğrenme algoritmalarının etkin bir şekilde kullanımı milenyum öncesi dönemde mümkün değildi. Derin öğrenme çok yüksek işlemci gücüne, çok yüksek miktarda veriye ve tekrarlayan eğitim-test süreçlerinin yapılabileceği kütüphanelere ihtiyaç duyar. Bu nedenle milenyum öncesinde derin öğrenme diğer makine öğrenme yöntemlerinin gölgesinde kalmıştı. Peki ne oldu da derin öğrenme çılgınlığı başladı? Bunun ana olarak dört nedeni olduğunu söyleyebiliriz. (1) Paralel olarak işlem gerçekleştirme yetisine sahip güçlü donanımlar, yani grafik işleme üniteleri (GPU); (2) Derin öğrenme mimarilerinin geliştirilmesi ve eğitim-test tekrarlarının hızlı şekilde gerçekleştirilmesine yarayan Keras ve Pytorch gibi kullanıcı dostu kütüphaneler; (3) Yüksek miktarda ulaşılabilir tıbbi görüntüleme verisi: Günümüzde tıbbi görüntülemeye ait tüm veriler dijitalleşti! Herkes elinde siyah-beyaz filmler tutan radyoloji hekimlerine çok aşina ama artık radyoloji asistanları bu resimdeki gibi basılı görüntü değerlendirmeden uzmanlık eğitimlerini tamamlıyorlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2kc163shfUZj9lyZ3-3nRg.jpeg" /></figure><p>Bu üç etmenin üzerine derin öğrenmenin görüntü analizi için özelleşmiş CNN modellerinin ortaya konması ve algoritmaların daha etkin çalışmasını sağlayan i bazı püf noktaların keşfedilmesi (Örneğin ReLU aktivasyon fonksiyonu) ortaya çıkışı ile derin öğrenmenin hızlı yükselişi başladı.</p><p>Burada yazıyı sonlandırıyorum. Umarım sizlere derin öğrenme ve tıbbi görüntüleme hakkında genel bilgileri aktarabilmişimdir. Önümüzdeki yazı tıbbi görüntülemede yapay zekanın en önemli kullanım alanlarından biri olan ve son yıllarda yüksek etki faktörüne sahip uluslararası dergilerde üzerine çok fazla sayıda çalışma yayınlanan“radiomics” hakkında olacak. Görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ef333b341a87" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>