Görüntüleme
16
İdiyopatik Pulmoner Fibrozis (IPF) hâlihazırda etyolojisi bilinmeyen, kötü prognozlu, ileri derecede fibroz ile karakterize, kronik ve progresif olan bir akciğer hastalığıdır. Histolojik olarak olağan interstisyel pnömoni paterni ile karakterizedir. IPF hastalığının ilerlemesinin öngörülmesi bilinen tekniklerle henüz mümkün değildir. Fakat IPF’nin erken teşhisi, tedaviye erken başlamak için oldukça önemlidir. Bu araştırma çalışmasında, açık kaynaklardan alınan sınırlı sayıda Yüksek Çözünürlüklü Bilgisayarlı Tomografi (YÇBT) imajı IPF tanısında bu çalışma için kullanılmıştır. Çalışmanın amacı, yüksek çözünürlüklü Bilgisayarlı Tomografi (BT) tarama imajlarından faydalanarak IPF hastalığının erken teşhisine yardımcı olmaktır. Öncelikle, bu araştırmada kullanılan BT imaj verileri bir dizi ön işleme tekniklerine tabi tutulmuştur. 2310 hasta için toplam 502 özellik arasından, Özyinelemeli Öznitelik Eleme yöntemi (Recursive Feature Elimination) kullanılarak 25 alakalı özellik seçilmiştir. Ön işleme sürecinden sonra, BT imaj veri seti %80 eğitim ve %20 test kümelerine ayrılmıştır. Eğitim veri kümesine Üst Örnekleme (Random Oversampling) uygulanmıştır. Bu işlemden sonra, hazırlanan veri, Makine Öğrenmesi (ML), Topluluk Öğrenmesi (Ensemble Learning) ve Derin Öğrenme (Deep Learning) teknikleri ile eğitilmiştir. Yapılan çalışmada sonuç olarak İlgi Alanı (Region of Interest-ROI) düzeyinde Topluluk Öğrenmesi performansı sırasıyla %96,52 doğruluk, %86,45 hassasiyet ve %92.14 özgüllük olarak elde edilmiştir. Öncelikle, bu araştırmada kullanılan BT imaj verileri bir dizi ön işleme tekniklerine tabi tutulmuştur. 2310 hasta için toplam 502 özellik arasından, Özyinelemeli Öznitelik Eleme yöntemi (Recursive Feature Elimination) kullanılarak 25 alakalı özellik seçilmiştir. Ön işleme sürecinden sonra, BT imaj veri seti %80 eğitim ve %20 test kümelerine ayrılmıştır. Eğitim veri kümesine Üst Örnekleme (Random Oversampling) uygulanmıştır. Bu işlemden sonra, hazırlanan veri, Makine Öğrenmesi, Topluluk Öğrenmesi (Ensemble Learning) ve Derin Öğrenme (Deep Learning) teknikleri ile eğitilmiştir. Yapılan çalışmada sonuç olarak İlgi Alanı (Region of Interest-ROI) düzeyinde Topluluk Öğrenmesi performansı sırasıyla %96,52 doğruluk, %86,45 hassasiyet ve %92.14 özgüllük olarak elde edilmiştir.
Idiopathic Pulmonary Fibrosis (IPF); is a chronic and progressive lung disease of unknown etiology and poor prognosis, characterized by advanced fibrosis. Histologically, it is characterized by the usual pattern of interstitial pneumonia. Predicting the progression of IPF disease is yet to be possible with known techniques. However, early diagnosis of IPF is very important to start treatment early. In this research study, a limited number of High-Resolution Computed Tomography (HRCT) images from open sources were used for this study in the diagnosis of IPF. The study aims to assist in the early diagnosis of IPF disease by using high-resolution CT scan images. Idiopathic Pulmonary Fibrosis (IPF) is a chronic and progressive lung disease with a poor prognosis. It is characterized by advanced fibrosis and is diagnosed histologically by the usual interstitial pneumonia pattern. Predicting the progression of IPF is currently not possible, but early diagnosis is vital for early treatment. This study used a limited number of high-resolution computed tomography (HRCT) images from open sources to investigate the use of HRCT images for early diagnosis of IPF. The images were preprocessed, and 25 relevant features were selected from 502 features for 2310 patients. The CT image dataset was divided into 80% training and 20% test sets. Random oversampling was applied to the training dataset. The prepared data was then trained with machine, ensemble, and deep learning techniques. The results showed that community learning at the region of interest (ROI) level achieved an accuracy of 96.52%, sensitivity of 86.45%, and specificity of 92.14%. These results suggest that HRCT images can assist in the early diagnosis of IPF. Moreover, the results of this study are promising, but further research is needed to validate these findings and to develop a clinical decision-support tool for the early diagnosis of IPF. This tool could help pulmonologists identify patients with IPF at an early stage when treatment is most effective. There is a need for a more extensive and diverse dataset of HRCT images. Despite such challenges, the potential benefits of using HRCT images for early diagnosis of IPF are significant. Identifying patients with IPF early can improve their chances of survival and quality of life.
Alan : Eğitim Bilimleri; Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
