Makine öğrenimi yöntemlerinin beyin tümörü tespitindeki başarısı
Success of machine learning methods in brain tumour detection
- Tez No: 1007236
- Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Radyoloji uzmanları tarafından tümör tanısı konulmuş pediatrik hastaların beyin MR görüntülerinin makine öğrenimi yöntemi kullanılarak eğitilen modeller ile test edilerek başarı düzeyinin araştırılmasıdır. Gereç ve Yöntem: Bu çalışma, metodolojik bir araştırma olup; 2010–2024 yılları arasında üçüncü basamak sağlık hizmeti sunan Dicle Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran 18 yaş altı pediatrik hastaların beyin MR görüntüleri retrospektif olarak değerlendirilmiştir. Radyoloji uzmanları tarafından beyin tümörü saptanan 230 hasta ile beyin tümörü saptanmayan 230 hasta çalışmaya dahil edilmiştir. Toplam 460 hastadan elde edilen 1380 MR görüntüsü analiz edilmiştir. Hastalar, tümör pozitif ve tümör negatif olmak üzere iki gruba ayrılmıştır. MR görüntülerinde tümör lokasyon tespiti ve ikili sınıflandırma yapmak amacıyla derin öğrenme tabanlı YOLOv12 ve EfficientNetB4 mimarileri değerlendirilmiştir. Görüntülerin analizinde Python programlama dili kullanılmış ve görüntülerin etiketlemesinde Roboflow platformu kullanılmıştır. Bulgular: CNN modeli ile tümörlü ve tümörsüz MR imajı sınıflandırmasında EfficientNetB4 %97 doğruluk oranı bulunmuştur. YOLOv12 modeli ise mAP50 %89 doğruluk oranı bulunmuştur. Eğitim süreci boyunca her iki modelde de istikrarlı kayıp azalması ve doğrulama başarısı sağlanmıştır. Model hem eğitim hem test verilerinde tutarlı sonuçlar üretmiş olup, aşırı öğrenme gözlemlenmemiştir. Sonuç: Çalışmada elde edilen bulgular, geliştirilen modellerin klinik karar destek sürecine katkı sağlayarak radyoloji uzmanlarına yardımcı bir araç olarak kullanıldığında iş yükü ve maliyet açısından fayda sağlayabilmektedir.
Özet (Çeviri)
Objective: The aim of this study is to evaluate the performance of machine learning models in detecting brain tumors by testing them on MRI images of pediatric patients who were diagnosed with tumors by radiology specialists. Materials and Methods: This methodological study retrospectively evaluated brain MRI images of pediatric patients under the age of 18 who applied to the tertiary healthcare facility of Dicle University Faculty of Medicine Hospital between 2010 and 2024. A total of 460 patients were included, consisting of 230 patients diagnosed with brain tumors and 230 without. In total, 1,380 MRI images were analyzed. Patients were divided into two groups: tumor-positive and tumor-negative. Deep learning-based architectures, YOLOv12 and EfficientNetB4, were utilized for tumor localization and binary classification in MRI images. The Python programming language was used for image analysis, and the Roboflow platform was employed for image labeling. Results: In the classification of tumor and non-tumor MRI images using the CNN model, EfficientNetB4 achieved an accuracy rate of 97%. The YOLOv12 model, on the other hand, reached an mAP50 accuracy of 89%. Throughout the training process, both models demonstrated stable loss reduction and consistent validation performance. The model produced reliable results on both the training and test datasets, and no overfitting was observed. Conclusion: The findings of this study suggest that the developed models can serve as supportive tools in clinical decision-making processes, assisting radiologists while offering advantages in terms of workload reduction and cost efficiency.
Benzer Tezler
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- 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
- Comparative analysis of deep learning and traditional machine learning for brain tumor classification in MRI scans
MRI taramalarında beyin tümörü sınıflandırması için derin öğrenme ve geleneksel makine öğreniminin karşılaştırmalı analizi
MUHIADIN MOHAMED SABRIE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
- Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms
Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması
YEZI ALI KADHIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. ALOK MISHRA
PROF. DR. REŞAT ÖZGÜR DORUK
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA