Otitis Media İçin Evrişimsel Sinir Ağlarına Dayalı Bütünleşik Bir Tanı Sistemi

Otitis media (OM) bir dizi iltihaplı orta kulak rahatsızlıklarını temsil eden tıbbi bir kavramdır. OM dünyagenelinde, özellikle çocukluk çağında, görülen en yaygın hastalıklardan biridir. Klinik pratikte OM tanısı, otoskopcihazıyla elde edilen orta kulak görüntüsünün kulak buran boğaz uzmanları tarafından incelenmesiylegerçekleştirilir. İncelemenin sübjektif olarak yapılması, gözlemciler arasında değişkenliklerin ortaya çıkmasınaneden olmaktadır. Aynı zamanda, bu alanda bilgisayar destekli sistemlerinin kullanımının da yeteri kadar yaygınolmadığı görülmektedir. OM rahatsızlıklarının zamanında teşhis edilememesi, hastalıkların ilerlemesine ve bunabağlı olarak da işitme, konuşma ve bilişsel rahatsızlıkların ortaya çıkmasına neden olmaktadır. Tüm budezavantajların üstesinden gelmek üzere, bu çalışmada OM teşhisi için önceden eğitilmiş evrişimsel sinir ağlarınadayalı bütünleşik bir tanı sistemi önerilmiştir. Deneysel çalışmalar, Özel Van Akdamar Hastanesinde gönüllühastalardan toplanan ve toplamda beş farklı sınıfı temsil eden 898 adet otoskop imgeleri üzerindegerçekleştirilmiştir. Sonuç olarak, önerilen model %82.16 sınıflandırma başarısı sağlanmıştır. Evrişimsel sinirağlarına dayalı önerilen modelin sağladığı uçtan uca öğrenme ve yüksek hassasiyetle, OM teşhisinin objektif birşekilde yapılabilmesi ve tanı sürecinde hekimlerin karar verme sürecinin desteklenmesi sağlanabilir. Önerilenyöntem bu açılardan umut verici sonuçlar üretmiştir.

PDF

___

[1] Vanneste P., Page C. 2016. Otitis media with effusion in children: Pathophysiology, diagnosis, and treatment. A review, J. Otol., 14: 33–39.
[2] Pichichero M.E. 2013. Otitis Media, Pediatr. Clin. North Am., 60: 391–407.
[3] Anggraeni R., Carosone-Link P., Djelantik B., Setiawan E.P., Hartanto W.W., Ghanie A., Utama D.S., Lukman E., Winarto S., Dewi A.M.K., Rahardjo S.P., Djamin R., Mulyani T., Mutyara K., Kartasasmita C.B., Simões E.A.F. 2019. Otitis media related hearing loss in Indonesian school children, Int. J. Pediatr. Otorhinolaryngol., 125: 44–50.
[4] Öz F., Kaytaz A., Aksoy E. 2008. Otitis media, I.U. Cerrahpasa Tip Fak. Surekli Tip Egit, Etkinlikleri, pp.71–84.
[5] Shah-Becker S., Carr M. M. 2018. Current management and referral patterns of pediatricians for acute otitis media, Int. J. Pediatr. Otorhinolaryngol. 113: 19–21.
[6] Shaikh N., Kurs-Lasky M., Hoberman A. 2019. Modification of the acute otitis media symptom severity scale, Int. J. Pediatr. Otorhinolaryngol. 122: 170–174.
[7] Edetanlen E.B., Saheeb B.D. 2019. Otitis media with effusion in Nigerian children with cleft palate: incidence and risk factors, Br. J. Oral Maxillofac. Surg. 57: 36–40.
[8] Sanna M., Russo A., Caruso A., Taibah A., Piras G. 2017. Color Atlas of Endo-Otoscopy, Thieme.
[9] Diagnosis and management of acute otitis media. 2004. https://pediatrics.aappublications.org/content/pediatrics/113/5/1451.full.pdf. (Erişim Tarihi: 01/08/2019).
[10] Goggin L.S., Eikelboom R.H., Atlas M.D. 2007. Clinical decision support systems and computer-aided diagnosis in otology, Otolaryngol. Neck Surg., 136: 21–26.
[11] Kuruvilla A., Shaikh N., Hoberman A., Kovačević J. 2013. Automated diagnosis of otitis media: vocabulary and grammar, J. Biomed. Imaging., 1-15.
[12] Vertan C., Gheorghe D.C., Ionescu B. 2011. Eardrum color content analysis in video-otoscopy images for the diagnosis support of pediatric otitis, ISSCS 2011 - Int. Symp. Signals, Circuits Syst. Proc. pp.129–132.
[13] Junior H., Comunello E., Costa S., Dornelles C.C. 2007. Computational Techniques for Accompaniment and Measuring of Otology Pathologies, IEEE Int. Symp. Comput. Med. Syst., IEEE, Maribor, Slovenia.
[14] Shie C.K., Chang H.T., Fan F.C., Chen C.J., Fang T.Y., Wang P.C. 2014. A hybrid feature-based segmentation and classification system for the computer aided self-diagnosis of otitis media, 36th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC 2014, pp.4655–4658.
[15] Mironica I., Vertan C., Gheorghe D.C. 2011. Automatic pediatric otitis detection by classification of global image features, E-Health Bioeng. Conf., pp.1–4.
[16] Myburgh H.C., van Zijl W.H., Swanepoel D., Hellström S., Laurent C. 2016. Otitis Media Diagnosis for Developing Countries Using Tympanic Membrane Image-Analysis, EBioMedicine., 5: 156–160.
[17] Myburgh H.C., Jose S., Swanepoel D.W., Laurent C. 2018. Towards low cost automated smartphone- and cloud-based otitis media diagnosis, Biomed. Signal Process. Control., 39: 34– 52.
[18] Altuntaş Y., Cömert Z., Kocamaz A.F. 2019. Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach, Comput. Electron. Agric. 163: 1-11.
[19] Cömert Z., Kocamaz A.F. 2019. Fetal Hypoxia Detection Based on Deep Convolutional Neural Network with Transfer Learning Approach, R. Silhavy (Ed.), Softw. Eng. Algorithms Intell. Syst., Springer International Publishing, Cham. pp.239–248.
[20] Zhao Z., Zhang Y., Comert Z., Deng Y. 2019. Computer-Aided Diagnosis System of Fetal Hypoxia Incorporating Recurrence Plot With Convolutional Neural Network, Front. Physiol., 10: 1-14.
[21] Cıbuk M., Budak U., Guo Y., Ince M.C., Sengur A. 2019. Efficient deep features selections and classification for flower species recognition, Measurement., 137: 7–13.
[22] Guo Y., Budak Ü., Şengür A. 2018. A novel retinal vessel detection approach based on multiple deep convolution neural networks, Comput. Methods Programs Biomed., 167 : 43–48.
[23] Deniz E., Sengür A., Kadiroglu Z., Guo Y., Bajaj V., Ü. Budak. 2018. Transfer learning based histopathologic image classification for breast cancer detection. Heal. Inf. Sci. Syst. 6: 1-7 .
[24] Krizhevsky A., Sutskever I., Hinton G.E. 2012. ImageNet Classification with Deep Convolutional Neural Networks, Proc. 25th Int. Conf. Neural Inf. Process. Syst. - Vol. 1, Curran Associates, Inc. pp.1097–1105, USA.
[25] Simonyan K., Zisserman A. 2014. Very deep convolutional networks for large-scale image recognition. ArXiv Prepr. ArXiv1409.1556.
[26] Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. 2015. Going deeper with convolutions, IEEE Conf. Comput. Vis. Pattern Recognit., IEEE, pp.1–9.
[27] He K., Zhang X., Ren S., Sun J. 2016. Deep residual learning for image recognition, Proc. IEEE Conf. Comput. Vis. Pattern Recognit., pp. 770–778, Las Vegas, NV, USA.
[28] Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. 2016. Rethinking the Inception Architecture for Computer Vision, IEEE Conf. Comput. Vis. Pattern Recognition.
[29] Gómez-Ríos A., Tabik S., Luengo J., Shihavuddin A.S.M., Krawczyk B., Herrera F. 2019. Towards highly accurate coral texture images classification using deep convolutional neural networks and data augmentation, Expert Syst. Appl., 118: 315–328.
[30] Mesut T., Burhan E. 2019. Biyomedikal Görüntülerde Derin Öğrenme ile Mevcut Yöntemlerin Kıyaslanması, Fırat Üniversitesi Mühendislik Bilim. Derg., 31: 109–121.
[31] Lecun Y., Bottou L., Bengio Y., Haffner P. 1998. Gradient-based learning applied to document recognition, Proc. IEEE, pp.2278–2324.
[32] Cömert Z., Kocamaz A.F. 2018. Open-access software for analysis of fetal heart rate signals, Biomed. Signal Process. Control. 45: 98–108.
[33] Kazandi M., Sendag F., Akercan F., Terek M.C., Gundem G. 2003. Different types of variable decelerations and their effects to neonatal outcome, Singapore Med. J., 44: 243–247.
[34] Diker A., Cömert Z., Avcı E. 2017. A Diagnostic Model for Identification of Myocardial Infarction from Electrocardiography Signals, Bitlis Eren Univ. J. Sci. Technol., 7: 132–139.
[35] Diker A., Cömert Z., Avci E., Velappan S. 2018. Intelligent system based on Genetic Algorithm and support vector machine for detection of myocardial infarction from ECG signals, 26th Signal Process. Commun. Appl. Conf., pp.1–4.