Derin öğrenme yöntemleri ile görüntü üzerinde diyabetik ayak ülserinin tespit edilmesi

Bu çalışma kapsamında derin öğrenme yöntemleri ile görüntü üzerinde diyabetik ayak ülserlerinin tespiti çalışılmıştır. Evrişimsel sinir ağları nesne tespiti ile ilgili yarışmalarda başarısını kanıtlamıştır. Bu sebeple bu çalışmada da uygun bir yaklaşım olduğu düşünülmüştür ve başarı ile uygulanmıştır. Tasarlanan modelde Faster RCNN ile birlikte ResNet50 ve MobileNetV2 mimarileri kullanılmıştır. DFUC2020 yarışmasında kullanılan 2000 diyabetik ayak ülser görüntüsü ve uzmanlar tarafından işaretlenmiş referansları içeren veri seti edinilmiştir. Tasarlanan modeller Google Colab servisi kullanılarak eğitilmiştir ve hesaplanan ağırlıklar dondurularak depolanmıştır. Eğitilen modeller tahmin hızı, diskteki boyutu ve mAP skorları ile karşılaştırılmıştır. ResNet50 ile tasarlanan Faster RCNN modeli ile 43 mAP skoru ile 34 mAP skoru elde edilen MobileNetV2 ile tasarlanan Faster RCNN modeline göre daha başarılı sonuçlar elde edilmiştir. Dondurulmuş ağırlıklarının ResNet50 ve MobileNetV2 ile tasarlanan Faster RCNN modellerinin diskteki boyutları sırasıyla 158 ve 120 MB olduğu gözlemlenmiştir ve yine sırasıyla bir görüntü için tahmin süreleri sırasıyla 24 ms ve 10 ms olarak ölçülmüştür.

Within the scope of this study, the detection and localization of diabetic foot ulcers on the image was studied with deep learning methods. Convolutional neural networks have proven success in many object detection and localization related competitions. For this reason, it was thought to be an appropriate approach for this study, and it was applied successfully. In this scope, two Faster RCNN method proposed with the MobileNetV2 and ResNet50 backbone. Data set including 2000 diabetic foot ulcer images and references marked by experts has been gotten. The proposed models have been trained with Google Colab service and calculated weight are frozen and stored. The models are compared by mAP scores, estimation time and model size. With the ResNet50 backbone Faster RCNN model we acquired 43 mAP score and with the other model that proposed with MobileNetV2 Faster RCNN acquired 34 mAP. As expected with the Faster RCNN with ResNet 50 backbone model has gotten better results. The size of proposed models on disk have observed for Faster RCNN ResNet50 158 MB and for Faster RCNN MobileNetV2 120MB. The estimation time for one image has been observed 24 ms for Faster RCNN with ResNet50 models and 10 ms for MobileNetV2 models.