Araştırma Makalesi

HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi

Cilt: 31 29 Nisan 2026
Murat Canayaz *, Mehmet Yüksek
PDF İndir
TR EN

HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi

Öz

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.

Anahtar Kelimeler

Hidronefroz, Bilgisayarlı tomografi, Makine öğrenmesi, Özellik seçimi

Etik Beyan

Bu makalenin yazarları çalışmalarında araştırma ve yayın etiğine uyduklarını beyan ederler. Bu makalenin yazarları çalışmada kullanılan materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.

Teşekkür

Çalışmanın uygulama kısmında kullanılan veri setinin temin edilmesindeki katkılarından dolayı Van Bölge Eğitim ve Araştırma Hastanesi Radyoloji Bölümüne teşekkür ederiz.

Kaynakça

  1. Alexa, R., Kranz, J., Kramann, R., Kuppe, C., Sanyal, R., Hayat, S., Casas Murillo, L. F., Hajili, T., Hoffmann, M., & Saar, M. (2024). Harnessing artificial intelligence for enhanced renal analysis: Automated detection of hydronephrosis and precise kidney segmentation. European Urology Open Science, 62, 19–25. https://doi.org/10.1016/j.euros.2024.01.017
  2. Bugday, M. S., Akcicek, M., Bingol, H., & Yildirim, M. (2023). Automatic diagnosis of ureteral stone and degree of hydronephrosis with proposed convolutional neural network, RelieF, and gradient-weighted class activation mapping based deep hybrid model. International Journal of Imaging Systems and Technology, 33(2), 760–769. https://doi.org/10.1002/ima.22847
  3. Canayaz, M. (2025). Attention-augmented DenseNet architectures with feature selection for high-performance image classification. In Proceedings of the International Symposium on AI-Driven Engineering Systems (June 19 20). Tokat, Turkey.
  4. Emir, H., & Büyükünal, S. C. (2023). Doğum öncesi belirlenen hidronefrozun değerlendirilmesi. Türk Pediatri Arşivi, 41(1), 18–23. https://izlik.org/JA63TM96GA
  5. Huang, J., Geng, L., Hu, Y., Chen, Z., Geng, H., Cui, X., & Fang, X. (2025). Deep learning algorithms to predict differential renal function <40% in unilateral hydronephrosis based on key parameters of urinary tract ultrasound. Urology, 200, 179–185. https://doi.org/10.1016/j.urology.2025.04.009
  6. Khondker, A., Hua, S. B. Z., Kwong, J. C. C., Sheth, K., Alvarez, D., & Velaer, K. N. (2025). Longitudinal image-based prediction of surgical intervention in infants with hydronephrosis using deep learning: Is a single ultrasound enough? PLOS Digital Health, 4(8), e0000939. https://doi.org/10.1371/journal.pdig.0000939
  7. Kumar, M., & Puri, A. (2020). Correlation of antenatal ultrasound parameters with the postnatal outcome of bilateral fetal hydronephrosis. J Obstet Gynecol India 70, 202–207. https://doi.org/10.1007/s13224-020-01318-4
  8. Lai, C., Hu, Z., Zhu, J., Dai, M., Qi, X., Zhai, Q., Luo, Y., Deng, C., Shi, J., Li, Z., Wu, Z., Liao, X., Zhao, Y., Bi, X., Zhou, Y., Liu, C., Huang, X., & Xu, K. (2025). Development and validation of a deep learning-based automated computed tomography image segmentation and diagnostic model for infectious hydronephrosis: A retrospective multicentre cohort study. eClinicalMedicine, 82, 103146. https://doi.org/10.1016/j.eclinm.2025.103146
  9. Lee, YC. (2021). Ureteral stone with hydronephrosis and urolithiasis alone are risk factors for acute kidney injury in patients with urinary tract infection. Sci Rep 11, 23333 https://doi.org/10.1038/s41598-021-02647-8
  10. Lien, W.C., Chang, Y.C., Chou, H.H., Lin, L.C., Liu, Y.P., Liu, L., Chan, Y.T., & Kuan, F.-S. (2023). Detecting hydronephrosis through ultrasound images using state-of-the-art deep learning models. Ultrasound in Medicine & Biology, 49(3), 723–733. https://doi.org/10.1016/j.ultrasmedbio.2022.10.001

Kaynak Göster

APA
Canayaz, M., & Yüksek, M. (2026). HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 31, 126-140. https://doi.org/10.53433/yyufbed.1858419
AMA
1.Canayaz M, Yüksek M. HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi. YYUFBED. 2026;31:126-140. doi:10.53433/yyufbed.1858419
Chicago
Canayaz, Murat, ve Mehmet Yüksek. 2026. “HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 31 (Nisan): 126-40. https://doi.org/10.53433/yyufbed.1858419.
EndNote
Canayaz M, Yüksek M (01 Nisan 2026) HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 31 126–140.
IEEE
[1]M. Canayaz ve M. Yüksek, “HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi”, YYUFBED, c. 31, ss. 126–140, Nis. 2026, doi: 10.53433/yyufbed.1858419.
ISNAD
Canayaz, Murat - Yüksek, Mehmet. “HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 31 (01 Nisan 2026): 126-140. https://doi.org/10.53433/yyufbed.1858419.
JAMA
1.Canayaz M, Yüksek M. HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi. YYUFBED. 2026;31:126–140.
MLA
Canayaz, Murat, ve Mehmet Yüksek. “HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 31, Nisan 2026, ss. 126-40, doi:10.53433/yyufbed.1858419.
Vancouver
1.Murat Canayaz, Mehmet Yüksek. HydroKidneyNet: BT Görüntülemede Hidronefrozun Doğru Tespiti için Hibrit Yapay Zekâ Yöntemi. YYUFBED. 01 Nisan 2026;31:126-40. doi:10.53433/yyufbed.1858419