Akademik Veri Yönetim Sistemi
9. Uluslararası Araştırmacılar, İstatistikçiler ve Genç İstatistikçiler Kongresi (IRSYSC 2025), Adana, Türkiye, 26 - 29 Kasım 2025, ss.65-66, (Özet Bildiri)
Beyin inmesi lezyonlarının Bilgisayarlı Tomografi (BT) görüntülerinden doğru bir şekilde segmente edilmesi, erken tanı ve tedavi planlaması için kritik öneme sahiptir. Evrişimli Sinir Ağları (CNN), bu alanda başarılı sonuçlar sunsa da lezyonların delikler, bağlantı kopuklukları veya düzensiz sınırlar gibi karmaşık topolojik ve morfolojik özelliklerini yakalamada sıklıkla yetersiz kalmaktadır. Bu konuşmada, Topolojik Veri Analizi'nin (TDA) temel araçlarından biri olan kalıcı homolojiyi (Persistent Homology) derin öğrenme modellerine entegre ederek, şekle duyarlı ve daha doğru bir lezyon segmentasyon modeli geliştireceğiz. Yöntem olarak, Python dili PyTorch kütüphanesi çatısı altında geliştirilen evrişimli bir sinir ağı mimarisi kullanılacaktır. Modelin öğrenme sürecine topolojik bilgi dahil etmek amacıyla, BT görüntülerinden gtda kütüphanesi aracılığıyla kalıcı homoloji tabanlı özellikler çıkarılmıştır. Bu özellikler, modelin lezyonların sadece dokusal desenlerini değil, aynı zamanda bütünsel şekil yapısını da öğrenmesini sağlayarak, daha sağlam temsiller oluşturmasını hedeflemektedir. Çalışmanın temel bulguları, önerilen hibrit modelin, standart CNN mimarilerine kıyasla özellikle karmaşık ve atipik morfolojiye sahip lezyonların sınırlarını daha doğru tespit etme potansiyeli taşıdığını göstermektedir. Topolojik özelliklerin entegrasyonunun, modelin genelleme yeteneğini ve gürültüye karşı direncini artırması beklenmektedir. Bu yaklaşım, TDA'nın tıbbi görüntü analizinde derin öğrenme modellerinin performansını ve yorumlanabilirliğini artırma potansiyelini ortaya koymaktadır.