Views
21
Otitis media (OM), kulak zarı içerisinde oluşan akıntılı, enfeksiyonel hastalıkları tanımlamaktadır. Kulak mumu (earwax), kulak zarı içerisinde bakteri oluşumunu önleyen savunma mekanizmasının aşırı birikimi sonucunda kulakta işitme kaybı oluşmasına neden olan hastalıktır. Kulak zarı içerisinde kalsiyum birikimi sonucunda saydamlığını ve esnekliğini kaybetmesine miringoskleroz denmektedir. Bu hastalıkların tanısı Kulak Burun Boğaz (KBB) uzmanları tarafından kulak zarının otoskopla incelenmesi sonucunda koyulmaktadır ve hataya açıktır. Bu çalışmada, bu problemin çözümüne katkı sağlamak ve bir karar destek sistemi sunmak amacıyla derin öğrenme modelleriyle kulak zarı hastalıklarına ait görüntüler sınıflandırılmıştır. Veri seti olarak 4 sınıf ve 880 görüntünün bulunduğu Ear Imagery veri seti seçilmiştir. Sınıflandırma işlemi için AlexNet, ResNet50, ResNet101, ResNet50V2, ResNet101V2, InceptionV3, Xception ve InceptionResNetV2 derin öğrenme modelleri seçilmiştir. En yüksek başarı değeri %94 ile InceptionResNetV2 mimarisinden ve en hızlı sonuç 438 saniye ile AlexNet mimarisinden elde edilmiştir. Bu yaklaşımla kulak zarına ait hastalıkların potansiyel uzman hatalarından arındırılarak otonom bir sistem ile gerçekleştirilebileceği gösterilmiştir. Gelecekte klinik alanda böyle bir sistemin kullanılması; uzmanların karar verme sürecini destekleyebilir ve hataya açık olan değerlendirme sürecinin daha objektif ve tekrar edilebilir bir şekilde yönetilmesini sağlayabilir.
Otitis Media (OM) is infectious disease with discharge in the eardrum. Earwax is a disease that causes hearing loss in the ear as a result of excessive accumulation of the defense mechanism that prevents the formation of bacteria in the eardrum. The loss of transparency and flexibility as a result of calcium accumulation in the eardrum is called myringosclerosis. The diagnosis of these diseases is made by otolaryngologists using an otoscopy examination of the eardrum and this process is prone to error. In this study, otoscopy images were classified with deep learning models to solve this problem. The Ear Imagery dataset with 4 classes and 880 images was chosen as the dataset. AlexNet, ResNet50, ResNet101, ResNet50V2, ResNet101V2, InceptionV3, Xception and InceptionResNetV2 deep learning models were selected for classification. The highest success value was obtained from InceptionResNetV2 architecture with 94% and the fastest result was obtained from AlexNet architecture with 438 seconds. With this approach, it has been shown that diseases of the eardrum can be treated with an autonomous system, freeing from expert error. In the future, such a system in the clinical field will be able to reduce labor and error.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Uluslararası
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
