Year: 2021
Type: dissertation
Abstract: Basınç ülserleri yatağa bağlı hastalarda uzun süre hareketsizliğe bağlı oluşan yaralardır. Bu durum dünyada önemli bir sağlık sorunu haline gelmiştir. Tedavinin etkili olabilmesi için basınç ülserlerinin teşhisinin doğru yapılması çok önemlidir. Yara özellikleri, iyileşme üzerinde önemli bir etkiye sahiptir. Girişimsel bilgi alma yöntemleri, basınç ülserlerinin teşhisinde hastalar için acı vericidir. Ayrıca bu yöntemler, hastanın enfeksiyon kapmasına sebebiyet verebilir. Bu yüzden, cerrahi işlem gerektirmeyen yara izleme teknikleri tercih edilmelidir. Görüntüleme sistemleri sayesinde yara ile temas edilmeden yaranın özelliklerinin doğru bir şekilde analiz edilmesi sağlanır. Bu tez çalışmasının amacı, görüntü analizinde makine öğrenmesi tekniklerinden yararlanılarak basınç ülserlerinin sınıflandırılması ile tedavi süreçlerine olumlu bir katkıda bulunmak ya da yara oluşumunun önlenmesini sağlamaktır. Bu tezde literatürde basınç yarası problemine evrelendirme sayısı bakımından yenilik getirilmiştir. Basınç yarası evrelendirilmesi doğru bir görüntü sınıflandırma problemi şeklinde ele alınmıştır. 697 tane yara görüntüsünden oluşan gerçek hastane verileri, Lojistik Regresyon, Yapay Sinir Ağları ve Destek Vektör Makineleri yöntemleri ile analiz edilmiştir. Bu görüntülerindeki yara rengi, ölçüsü gibi özellikler görüntü işleme sayesinde ayrıştırılmış ve görüntülerden yaranın hangi evrede olduğu belirlenmiştir. Sınıflandırma için basınç ülserlerinin 6 evresi referans alınmıştır. Bu çalışmada az sayıda veri setindeki farklı açılardan elde edilen görüntülerin bulunması sınıflandırma için uzmanların sınıf değerlerini tayin etmelerinde zor olmasa da arka planda bulunan görüntüler sınıflandırmayı zorlaştırmaktadır. Eğitim için daha çok veri kullanılması ve Derin Öğrenme mimarileri kullanılması performans değerlerini artıracaktır.
Author: Yılmaz, Bilge
Language: Turkish
Subfield: Dermatology
Field: Medicine
Domain: Health Sciences
Keywords: pressure ulcers, pressure ulcer staging, image classification, non-invasive wound assessment, image preprocessing, artificial neural networks, support vector machine, logistic regression, bedridden patients, pressure ulcer prevention, classification accuracy comparison, false positive reduction, false negative reduction
Open Access status: green
OpenAlex ID: W6992447526
