Hidronefroz, renal pelvis ve kalikslerin idrar akışının engellenmesi sonucu genişlemesiyle karakterize olup, tedavi edilmediğinde kalıcı böbrek hasarına yol açabilen önemli bir klinik durumdur. Bu çalışmada, kontrastsız bilgisayarlı tomografi (BT) görüntüleri kullanılarak hidronefrozun varlığına yönelik ikili sınıflandırma gerçekleştirilmiş ve çok aşamalı, yapay zekâ destekli bir analiz sistemi geliştirilmiştir. Önerilen yaklaşım, derin öğrenme tabanlı DenseNet mimarisi ile CBAM ve Squeeze-and-Excitation (SE) dikkat mekanizmalarının entegrasyonu sayesinde yüksek seviyeli öznitelik çıkarımı sağlamaktadır. Elde edilen derin özellikler üzerinde SelectKBest ve Principal Component Analysis (PCA) yöntemleri kullanılarak boyut indirgeme ve özellik seçimi uygulanmış; ardından Random Forest, Lojistik Regresyon ve Gradient Boosting gibi denetimli öğrenme algoritmaları ile sınıflandırma gerçekleştirilmiştir. Model performansı accuracy, precision, recall, F1-score ve ROC AUC metrikleri ile değerlendirilmiştir. Bulgular, SelectKBest tabanlı yaklaşımın sınıf ayrımında daha yüksek başarı sağladığını ve özellikle DenseNet169 tabanlı hibrit model ile birlikte %99,79 doğruluk ve F1-skoru değerine ulaşıldığını göstermektedir. PCA yöntemi ise daha düşük ancak oldukça rekabetçi performans sunarak modelin genelleme kabiliyetine katkı sağlamıştır. Ayrıca YOLOv11 tabanlı segmentasyon modeli ile hidronefrotik bölgeler yüksek doğrulukla belirlenmiş ve geliştirilen Flask tabanlı arayüz sayesinde sistemin klinik kullanım potansiyeli ortaya konmuştur. Elde edilen sonuçlar, uygun özellik seçimi yöntemleri ve hibrit yapay zekâ mimarilerinin birlikte kullanımının, hidronefrozun otomatik teşhisinde yüksek doğruluk, güçlü genelleme ve klinik uygulanabilirlik sunduğunu göstermektedir.
Hydronephrosis is a clinically significant condition characterized by the dilation of the renal pelvis and calyces due to obstruction of urine flow, which can lead to permanent kidney damage if left untreated. In this study, a binary classification was performed to detect the presence of hydronephrosis using non-contrast computed tomography (CT) images, and a multi-stage artificial intelligence–based analysis system was developed. The proposed approach enables high-level feature extraction through the integration of a deep learning–based DenseNet architecture with CBAM (Convolutional Block Attention Module) and Squeeze-and-Excitation (SE) attention mechanisms. On the extracted deep features, dimensionality reduction and feature selection were performed using SelectKBest and Principal Component Analysis (PCA) methods, followed by classification using supervised learning algorithms such as Random Forest, Logistic Regression, and Gradient Boosting. Model performance was evaluated using accuracy, precision, recall, F1-score, and ROC AUC metrics. The results indicate that the SelectKBest-based approach provides higher class discrimination performance and achieves an accuracy and F1-score of 99.79%, particularly when combined with the DenseNet169-based hybrid model. The PCA method, on the other hand, yielded slightly lower yet highly competitive performance while contributing to the generalization capability of the model. In addition, the YOLOv11-based segmentation model successfully identified hydronephrotic regions with high accuracy, and the developed Flask-based interface demonstrated the clinical applicability of the system. The findings suggest that the combined use of appropriate feature selection methods and hybrid artificial intelligence architectures provides high accuracy, strong generalization, and clinical applicability for the automated diagnosis of hydronephrosis.