İskemik inmede hemorajik transformasyon tahmini için susceptıbılıty weıghted ımagıng (SWI) tabanlı derin öğrenme yaklaşımı
İskemik inmede hemorajik transformasyon tahmini için susceptıbılıty weıghted ımagıng (SWI) tabanlı derin öğrenme yaklaşımı
- Tez No: 1004876
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKALP TULUM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: İskemik inme, hemorajik transformasyon, derin öğrenme, Susceptibility Weighted Imaging, EfficientNet, transfer öğrenme, Ischemic stroke, hemorrhagic transformation, deep learning, Susceptibility Weighted Imaging, EfficientNet, transfer learning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, inme geçiren hastalarda kanama riskini önceden tahmin etmek için derin öğrenme yöntemleri kullanılmıştır. İnme sonrası gelişen hemorajik transformasyon (HT), ölüm ve sakatlık oranlarını belirgin şekilde artıran ciddi bir komplikasyondur. Çalışmada SWI adı verilen özel bir manyetik rezonans görüntüleme (MRG) yöntemi kullanılmıştır. SWI, beyindeki küçük kanamaları tespit etmede çok hassas bir yöntem olarak kabul edilmektedir. Çalışmada DenseNet121, MobileNetV2, EfficientNet-B0, EfficientNet-B3 ve EfficientNet-B4 derin öğrenme modelleri transfer öğrenme yaklaşımı ile eğitilmiş ve performansları karşılaştırılmıştır. Veri seti, 181 hastaya ait toplam 2,377 kesit görüntüden; 1.579 eğitim/doğrulama ve 798 test kesitinden oluşmaktadır. Modeller yalnızca ilgi bölgesi odaklı girdi stratejisi ile eğitilmiştir. Hasta düzeyinde sınıflandırma için MEAN, ANY, MAJORITY, TOP-3 olmak üzere dört farklı karar stratejisi uygulanmıştır. Sonuçlar, EfficientNet-B3 modelinin MEAN karar stratejisi ile hasta başına %84,21 doğruluk, %85,71 kesinlik, %82,76 duyarlılık ve %83,99 ROC-AUC değeri ile DenseNet121 ve MobileNetV2'den daha iyi performans gösterdiğini ortaya koymuştur. EfficientNet-B4 modeli ise %89,66 duyarlılık ile kanama tespiti açısından en yüksek hassasiyeti sağlamıştır. Elde edilen sonuçlar, SWI tabanlı derin öğrenme yaklaşımının HT tahmininde etkili olduğunu ve klinik karar destek sistemlerine entegre edilebilir bir potansiyel taşıdığını göstermektedir.
Özet (Çeviri)
In this thesis study, deep learning methods were used to predict bleeding risk in patients who have suffered a stroke. Hemorrhagic transformation (HT) that occurs after stroke is a serious complication that significantly increases mortality and disability rates. A special magnetic resonance imaging (MRI) method called SWI was used in the study. SWI is considered a highly sensitive method for detecting small hemorrhages in the brain. In the study, DenseNet121, MobileNetV2, EfficientNet-B0, EfficientNet-B3, and EfficientNet-B4 deep learning models were trained using a transfer learning approach, and their performances were compared. The dataset consisted of a total of 2,377 slice images from 181 patients; comprising 1,579 training/validation and 798 test slices. The models were trained exclusively with a region of interest-focused input strategy. Four different decision strategies were applied for patient-level classification: MEAN, ANY, MAJORITY, and TOP-3.“”“”“”“”“”“”“”"11111111111111111 The results revealed that the EfficientNet-B3 model with the MEAN decision strategy demonstrated superior performance compared to DenseNet121 and MobileNetV2, achieving 84.21% accuracy, 85.71% precision, 82.76% sensitivity, and 83.99% ROC-AUC at the per-patient level. The EfficientNet-B4 model provided the highest sensitivity for hemorrhage detection with 89.66% sensitivity. The obtained results demonstrate that the SWI-based deep learning approach is effective in HT prediction and holds potential for integration into clinical decision support systems.
Benzer Tezler
- Akut iskemik inmeli olgularda hemorajik transformasyon gelişimini öngörmede mr görüntülemenin radyomiks analizinin tanısal değeri
Diagnostic value of radiomics analysis on mr imaging for predicting hemorrhagic transformation in acute ischemic stroke cases
ALAADDİN ATEŞ
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. NESLİN ŞAHİN
DOÇ. DR. AYGÜL TANTİK PAK
- Akut iskemik inme hastalarında hemorajik transformasyon gelişimi ile homosistein düzeyleri arasındaki ilişki
The relationship between the development of hemorrhagic transformation and homocysteine levels in acute ischemic stroke patients
NAZIM KIZILDAĞ
Tıpta Uzmanlık
Türkçe
2019
NörolojiAtatürk ÜniversitesiNöroloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURAY BİLGE
- Selçuk Üniversitesi Tıp Fakültesi Nöroloji Kliniğine iskemik inme nedeniyle başvuran trombolitik tedavi, trombektomi ve trombektomi+ trombolitik tedavi işlemi uygulanmış olan hasta gruplarında hemorajik transformasyonu öngörmede SEDAN skorunun prediktif değeri
The predictive value of SEDAN score in predicting hemorrhagic transformation in patient groups who have undergone thrombolytic therapy, thrombectomy and thrombectomy + thrombolytic therapy procedures admitted to Selcuk University Faculty of Medicine Neurology Clinic for ischemic stroke
AZER MAMMADLI
- Akut iskemik inme hastalarında hemorajik transformasyonu öngörmede SII ve SIRI inflamatuvar indekslerinin tanısal değerliliğinin araştırılması
Evaluation of the diagnostic value of SII and SIRI inflammatory indices in predicting hemorrhagic transformation in patients with acute ischemic stroke
İLKNUR ÖZTÜRK
Tıpta Uzmanlık
Türkçe
2024
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. GÖKHAN AKSEL
- İskemik inmede matriks metalloproteinazlar ve inhibitörlerinin düzeyleri ile klinik sonuçları arasındaki ilişki
Relationship between the clinical outcome and the levels of matrix metalloproteinases and their inhibitors in ischemic stroke
FETHİYE ÇELLİK