Beyin MR görüntüleri üzerinden beyin tümörü tespiti,sınıflandırması ve segmentasyonunda derin öğrenme yöntemlerinin incelenmesi
An investigation of deep learning approaches for brain tumor detection, classification, andsegmentation from brain MRI images
- Tez No: 1004326
- Danışmanlar: DOÇ. DR. MERT BAL
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin tümörlerinin erken teşhisi ve cerrahi planlama için tümör sınırlarının hassas bir şekilde belirlenmesi, hastanın hayatta kalma oranını doğrudan etkileyen kritik bir süreçtir. Manyetik Rezonans (MR) görüntüleme, bu süreçte altın standart olsa da, görüntülerin manuel analizi zaman alıcıdır ve uzmanlar arası yorum farklılıklarına açıktır. Bu tez çalışmasında, beyin tümörlerinin otomatik tespiti (sınıflandırma) ve lezyon sınırlarının belirlenmesi (segmentasyon) amacıyla, kısıtlı donanım kaynaklarında (3GB VRAM) yüksek performans sağlayan uçtan uca bir derin öğrenme sistemi geliştirilmiştir. Çalışma kapsamında Br35H, Nickparvar, BRISC-2025 ve BraTS-2020 veri setleri birleştirilerek kapsamlı bir veri havuzu oluşturulmuştur. Metodolojik bir yenilik olarak, görüntülerden kafatası ve beyin dışı dokuların temizlendiği özgün bir“Beyin Çıkarma (Brain Extraction - BE)”algoritması geliştirilmiş ve bu işlemin model başarısına etkisi analiz edilmiştir. Sınıflandırma aşamasında ResNet, DenseNet, Inception, EfficientNet gibi Konvolüsyonel Sinir Ağları (CNN) ile Swin Transformer ve Vision Transformer (ViT) mimarileri karşılaştırılmıştır. Literatürdeki standart yaklaşımların aksine, bu çalışmada genel nesne tanıma verileriyle eğitilmiş ImageNet ağırlıkları ile radyolojik görüntülerle eğitilmiş RadImageNet (RIN) ağırlıklarının transfer öğrenme performansları sistematik olarak kıyaslanmıştır. Ayrıca Transformer modellerinin optimizasyon hassasiyeti (Adam vs AdamW) deneysel olarak incelenmiştir. Elde edilen sonuçlar, medikal alana özgü transfer öğrenmenin (RIN), özellikle karmaşık dörtlü sınıflandırma görevlerinde (Glioma, Meningioma, Hipofiz, Sağlıklı) standart ImageNet modellerine göre daha üstün olduğunu göstermiştir. InceptionV3 modeli, RIN ağırlıkları ve BE ön işlemesi ile %99.12 doğruluk oranına ulaşırken, hafif mimariye sahip EfficientNet-B0 modeli %99.78 başarı ile en verimli model olmuştur. Transformer tabanlı modellerde ise AdamW optimizasyonunun, ViT modelinin performansını %9 oranında artırdığı ve ön eğitimin (Pre-training) bu mimariler için zorunlu olduğu tespit edilmiştir. Segmentasyon modülünde ise Linknet mimarisi, BRISC veri setinde 0.86 Dice Skoru ve 3.15 piksel Hausdorff hatası ile en başarılı sonuçları vermiştir. Çok modlu BraTS veri setinde ise Kontrastlı T1 (T1CE) sekansının aktif tümör tespiti için en kritik modalite olduğu kanıtlanmıştır. Sonuç olarak bu tez; doğru veri ön işleme, alana özgü transfer öğrenme ve optimize edilmiş hafif mimarilerin kullanımıyla, yüksek hesaplama gücü gerektirmeden klinik düzeyde başarılı bir tanı destek sistemi geliştirilebileceğini ortaya koymuştur.
Özet (Çeviri)
Early diagnosis of brain tumors and the precise delineation of tumor boundaries for surgical planning are critical processes that directly influence patient survival rates. Although Magnetic Resonance (MR) imaging is the gold standard in this domain, manual analysis of images is time-consuming and prone to inter-observer variability. In this thesis, an end-to-end, multi-stage deep learning system capable of high performance on limited hardware resources (3GB VRAM) has been developed for the automatic detection (classification) and lesion segmentation of brain tumors. Within the scope of the study, a comprehensive data repository was constructed by combining Br35H, Nickparvar, BRISC-2025, and BraTS-2020 datasets. As a methodological innovation, a novel“Brain Extraction (BE)”algorithm utilizing morphological operations to remove skull and non-brain tissues was developed, and its impact on model performance was analyzed. In the classification phase, Convolutional Neural Networks (CNN) such as ResNet, DenseNet, Inception, and EfficientNet were compared with Swin Transformer and Vision Transformer (ViT) architectures. Contrasting with standard approaches in the literature, this study systematically compared the transfer learning performance of ImageNet weights (trained on general object recognition data) versus RadImageNet (RIN) weights (trained on radiological images). Additionally, the optimization sensitivity (Adam vs. AdamW) of Transformer models was experimentally investigated. Experimental results demonstrated that medical domain-specific transfer learning (RIN) is superior to standard ImageNet models, particularly in complex four-class classification tasks (Glioma, Meningioma, Pituitary, Healthy). The InceptionV3 model achieved 99.12% accuracy using RIN weights and BE preprocessing, while the EfficientNet-B0 model, with its lightweight architecture, emerged as the most efficient model with 99.78% accuracy. For Transformer-based models, it was determined that AdamW optimization improved ViT performance by 9%, and pre-training proved to be essential for these architectures. In the segmentation module, the Linknet architecture yielded the best results on the BRISC dataset with a 0.86 Dice Score and 3.15 pixel Hausdorff error. Furthermore, analyses on the multi-modal BraTS dataset proved that the Contrast-Enhanced T1 (T1CE) sequence is the most critical modality for active tumor detection. In conclusion, this thesis demonstrates that a clinically viable diagnostic support system can be developed without requiring high computational power by employing robust data preprocessing, domain-specific transfer learning, and optimized lightweight architectures.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Beyin tümörlerinin MR görüntüleri üzerinden derin öğrenme yöntemiyle tespiti ve sınıflandırması
Determination and classification of brain tumors on MR images by deep learning method
MERVE KÖRDEMİR
Yüksek Lisans
Türkçe
2021
BiyomühendislikAkdeniz ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET BOZKURT
DOÇ. DR. KERİM KÜRŞAT ÇEVİK
- Optimize Edilmiş Hibrit Derin Öğrenme Modeli ile Beyin MR Görüntülerinde Tümör Sınıflandırılması
Tumor classification in brain mri images using an optimized hybrid deep learning model
VEYSEL TİLEĞİ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ YILDIZ
- Radyolojik görüntülerde kanser alt tiplerinin ve genotiplerinin derin öğrenme yöntemleri kullanılarak sınıflandırılmasının geliştirilmesi
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- Derin öğrenme yöntemleri kullanarak beyin tümörü teşhisi ve sınıflandırması
Brain tumor diagnosis and classification using deep learning methods
ABDULLAH SAKIN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT HEKİM