BACKGROUND: The article was planned to make the first evaluation in terms of acute subdural hemorrhages, thinking that it can help in appropriate pathologies by tomography interpretation with the artificial intelligence (AI) method, at least in a way to quickly warn the responsible doctor.
METHODS: A two-level AI-based hybrid method was developed. The proposed model uses the mask-region convolutional neural network (Mask R-CNN) technique, which is a deep learning model, in the hemorrhagic region’s mask generation stage, and a problem-specific, optimized support vector machines (SVM) technique which is a machine learning model in the binary classification stage. Furthermore, the bee colony algorithm was used for the optimization of SVM algorithms’ parameters.
RESULTS: In the first stage, the mean average precision (mAP) value was obtained as 0.754 when the intercept over union (IOU) value was taken as 0.5 with the Mask R-CNN architecture used. At the same time, when a 5-fold cross-validation was applied, the mAP value was obtained 0.736. With the hyperparameter optimization for both Mask R-CNN and the SVM algorithm, the accuracy of the two-level classification process was obtained as 96.36%. Furthermore, final false-negative rate and false-positive rate values were obtained as 6.20%, and 2.57%, respectively.
CONCLUSION: With the proposed model, both the detection of hemorrhage and the presentation of the suspicious area to the physician were performed more successfully on two dimensional (2D) images with low cost and high accuracy compared to similar studies and today’s interpretations with telemedicine techniques.
AMAÇ: Bu çalışmayı, beyin tomografisinin yorumlanmasında doğruluk ve süre açısından gördüğümüz eksikliklerin yapay zeka (AI) yöntemi ile doldurularak en azından sorumlu doktoru hızlıca uyaracak şekilde, uygun patolojilerde yardımcı olabileceğini düşünüp akut subduraller açısından ilk değerlendirmeyi yapmak için planladık.
GEREÇ ve YÖNTEM: İki seviyeli AI tabanlı bir hibrit yöntem geliştirildi. Önerilen model, hemorajik bölgenin maske oluşturma aşamasında bir derin öğrenme modeli olan maske-bölge evrişimli sinir ağı (Mask R-CNN) tekniğini ve ikili sınıflandırma aşamasında bir makine öğrenimi modeli olan probleme özel, optimize edilmiş destek vektör makineleri (SVM) tekniğini kullanır. Ayrıca SVM algoritmalarının parametrelerinin optimizasyonu için arı kolonisi algoritması kullanıldı.
BULGULAR: İlk aşamada kullanılan Mask R-CNN mimarisi ile kesişim üzeri birleşme (IOU) değeri 0.5 alındığında ortalama ortanca kesinlik (mAP) değeri 0.754 olarak elde edildi. Aynı zamanda 5 kat çapraz doğrulama uygulandığında mAP değeri 0.736 olarak elde edildi. Hem Mask R-CNN hem de SVM algoritması için hiper parametre optimizasyonu ile iki seviyeli sınıflandırma işleminin doğruluğu %96.36 idi. Ayrıca nihai yanlış negatif oran ve yanlış pozitif oran değerleri sırasıyla %6.20 ve %2.57 olarak elde edildi.
SONUÇ: Önerilen model ile iki boyutlu görüntüler üzerinde hem kanama tespiti hem de şüpheli alanın hekime sunulması, benzer çalışmalara ve günümüz tele tıp teknikleri ile yorumlamalara göre düşük maliyet ve yüksek doğrulukla daha başarılı bir şekilde gerçekleştirilmiştir.