en
Ana Sayfa
KUZEY KIBRIS KAMPUSU

Öğrencilerimizden Teknofest'te bir başarı daha!

 

  

AI-DEO Teknofest “Sağlıkta Yapay Zeka” kategorisi

Ekip Detayları

Dorukhan Afacan M.Sc

Sabancı Üniversitesi Mekatronik Mühendisliği bölümünden 2015 yılında mezun oldu. Sheffield Üniversitesi’nde İşlemsel Zeka ve Robotik Yüksek Lisans programını derece ile tamamladı. 4 yıldır veri bilimci olarak doğal dil işleme, görüntü işleme ve tahminsel analitik alanlarında çalışmaktadır. Bu alanlarda sektörde danışmanlık, AR-GE projeleri, ulusal ve uluslararası yarışmalarda yer aldı.

Askar Bozcan

ODTÜ KKK CNG bölümünde 4. sınıf öğrencisi olup kendini AI ve Data Science alanında geliştirmiş ve birçok yarışmaya katılmıştır. Örneklerinden bazıları;
Teknofest 2019 “Yapay Zeka” kategorisinde yarışmış ve üçüncü olmuştur.
Teknofest 2020 “Doğal Dil İşleme” kategorisinde takımıyla yarışmış ve ikinci olmuştur.
Medathon (Sağlıkta Yapay Zeka) yarışmasında birinci olmuştur.

Ertuğrul Demir

Marmara Üniversitesi İşletme bölümünden 2019 yılında mezun oldu. 6 aydır veri bilimci olarak görüntü işleme, doğal dil işleme gibi alanlarda çalışmaktadır. Kaggle platformu üzerinde master seviyesinde paylaşımlarda bulunmaktadır. Aynı zamanda 2021 Mart ayından beri makine öğrenme alanında Google Developer Expert ünvanına sahiptir.

Onat Yapıcı

Koç Üniversitesi Elektrik ve Elektronik Mühendisliği ve Bilgisayar Mühendisliği 4. sınıf öğrencisidir. 2 yıldır veri bilimi ile uğraşmakta ve 1 yıldır yeni nesil görüntü işleme metodları üzerine araştırma yapmaktadır.

Tasarım Süreci

Problem Tanımı

İnme, çeşitli sebepler sonucu beyin hücrelerine giden kan akışının kısıtlanması veya kesilmesi sonucu ortaya çıkan ve hücre ölümlerine sebep olan tıbbi bir sorundur. Günümüzde insan ölümlerine yol açan sağlık sorunları listesinde en üst sıralarda yer almaktadır. Bu sorunun üstesinden gelme konusunda görüntü işleme alanında sağlık çalışanlarına yardımcı olabilecek birçok modern yöntemden faydalanılabilir. Evrişimsel Sinir Ağları yardımıyla söz konusu hastaların kontrastlı beyin tomografileri analiz edilerek klinik aşamada karar destek mekanizmalarına destek olacak bilgileri elde edilebilir.
Yarışma iki kısımdan oluşacaktır:

  1. Sınıflandırma: Verilen beyin tomografi taramasında inme durumunun olup olmaması tespiti
  2. Segmentasyon: Eğer tomografi taramasında inme var ise, inme (kanama veya iskemi) bölgelerinin tespit edilmesidir.

Veri seti

T.C. Sağlık Bakanlığı tarafından yaklaşık olarak iki bin, etiketli, DICOM formatında beyin tomografi taramaları verilmiştir. Veri setinden bir örnek gösterilemese de, veri setindeki görüntülere benzer, sağlıklı bir örnek beyin görüntüsü aşağıda verilmiştir:

 

 

Modelleme

Çözülecek problemler (sınıflandırma ve segmentasyon) olarak belirtilmiştir. Bu iki bilgisayar görü problemi için günümüzde en yaygın olarak kullanılan en iyi metod Evrişimsel Sinir Ağlarıdır (CNN). Fakat her evrişimsel sinir ağı aynı değildir ve farklı mimarileri mevcuttur. Dolayısıyla en iyi sonuçları alabilmek için evrişimsel sinir ağlarının farklı mimarileri, farklı konfigürasyonlarla denenmiştir.

 

Sınıflandırma probleminin çözümü için denenen mimariler aşağıdaki gibidir:

  1. EfficientNet
  2. ResNeXt
  3. RegNety

Yapılan deneyler sonucunda sınıflandırma problemi için en iyi skoru RegNety modeli elde etmiştir ve dolayısıyla yarışmada kullanılan model de Regnety olmuştur.

Segmentasyon probleminin çözümü için bir model genelde yetmemektedir; bir tane backbone modeli ve bir tane de decoder modeli gerekmektedir. Backbone modelinin amacı görüntülerden bilgi toplamak, decoder modellerinin amacı ise backbone modellerinin topladıkları bilgileri final bir segmentasyon haritasına dönüştürmektir. (Yarışma çerçevesinde, segmentasyon haritası tomografi görüntüsünde inme durumlarının bölgelerini görselleştirmekle yükümlüdür.)

Dolayısıyla farklı backbone ve decoder modellerinin kombinasyonları denenmiştir.
Backbone modeller sınıflandırma için kullanılan modellerle aynıdır ve aşağıdaki gibidir:

  1. EfficientNet
  2. ResNeXt
  3. RegNety

Fakat decoder modelleri farklıdır. Denenmiş olan decoder modeller aşağıdaki gibidir:

  1. UNet
  2. UNet++
  3. FPN

Deneyler sonucu, en başarılı ve yarışmada kullanılacak model kombinasyonu RegNety backbone ile UNet++ decoderı olarak belirlenmiştir.

Yarışma Süreci

Yarışma iki oturumdan oluşmaktadır:

Birinci Oturum

Yarışma iki çeşit problem üzerinden ilerledi. İlk oturumda beyin tomografisi üzerinde inme durumunun olup olmadığı tahmin edilmiştir. Sağlanan beyin taramalarında inme olma durumu ile ilgili ikili sınıflandırma gerçekleştirildi (İnme var/yok) ve hakemler tarafından F1 skor metriği ile değerlendirildi.
Birinci oturum sonucu takımımız AI-DEO, 0.9431 skorunu alarak ilk oturumda birinciliği elde etmiş ve ikinci oturuma geçmeyi hak kazanmıştır.

İkinci Oturum

Yarışmanın ikinci oturumu görüntü segmentasyonu problemi olarak tanımlanmıştır. İnme içeren beyin taramalarında inmenin bulunduğu bölgelerin tanınıp taranması/işaretlenmesi ve işaretlenen bölgedeki inme tipinin doğru sınıflandırılması beklenmektedir. Başarı metriği işaretli bölge alanının doğru alan ile kesişimi ve sınıf doğruluğu baz alınarak hesaplanacaktır. Bölgeler kanama ve iskemi diye ayrılmaktadırlar.
İkinci oturum sonucu AI-DEO takımı olarak ikinci oturumda da birinciliği elde ederek finalde birinci olduk.

İkinci oturum iskemi bölgesi örneği:

 

(Veriler T.C. Sağlık Bakanlığı tarafından verildiği için, hasta mahremiyeti nedenleriyle beyin tomografisi gösterilememektedir.)

 

CANLI DESTEK