Derin öğrenme mimarileri kullanılarak abdomen bölgesi için hastalık tespiti
Disease detection in the abdominal region using deep learning architectures
- Tez No: 1010271
- Danışmanlar: DOÇ. DR. AYŞE DEMİRHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Karın bölgesine ait acil bilgisayarlı tomografi (BT) görüntülerinde görülen patolojilerin hızlı ve doğru biçimde saptanması, özellikle acil servis koşullarında klinik karar sürecini doğrudan etkileyen kritik bir gereksinimdir. Bu tür sistemler, acil servis dışında da rutin klinik pratikte radyologlara yardımcı bir tanı destek aracı olarak kullanılabilir ve gözden kaçabilecek bulguların azaltılmasına katkı sağlayabilir. Bu çalışmada, akut kolesistit, akut pankreatit, böbrek/üreter taşı ve abdominal aort anevrizması/diseksiyonu bulgularının BT kesitleri üzerinden otomatik olarak tespiti ve sınıflandırılması için derin öğrenme tabanlı bir nesne tespit yöntemi önerilmektedir. Çalışmada, Teknofest Sağlıkta Yapay Zekâ Yarışması kapsamında yayımlanan veri seti kullanılmıştır. Veri setinin farklı hastaneler, farklı BT cihazları ve farklı çekim protokollerinden kaynaklanan heterojen yapısını azaltmak amacıyla giriş görüntülerine yoğunluk dönüşümü ve pencereleme, gürültü azaltma ve geometrik standardizasyon adımlarını içeren çok aşamalı bir ön işleme hattı uygulanmıştır. Nesne tespiti için YOLOv11 tabanlı mimari ile model eğitilmiş ve başarım hem rastgele görüntü bazlı hem de klinik genellenebilirliği daha iyi temsil eden hasta bazlı veri kullanımı senaryoları altında değerlendirilmiştir. Görüntü bazlı veri kullanımı senaryosunda genel başarım [email protected] değeri 0,94 ve [email protected]:0.95 değeri 0,67 olarak elde edilirken, hasta bazlı veri kullanımında bu değerler sırasıyla 0,77 ve 0,44 olarak bulunmuştur. Sınıf bazında en yüksek başarım AAA/AAD sınıfında gözlenmiş; böbrek/üreter taşı sınıfı ise küçük lezyon yapısı ve sınırlı örnek sayısı nedeniyle en zor sınıf olarak öne çıkmıştır. Gerçekçi bir klinik senaryoyu yansıtmak amacıyla hasta bazlı veri kullanımı benimsenmiş ve bu kapsamda mimari EMA, SimAM ve CA dikkat mekanizmaları ile geliştirilmiştir. Bu mimaride dikkat modülleri, omurga üzerindeki C3k2 bloklarına kademeli olarak entegre edilerek modelin özellikle küçük ve düşük kontrastlı patolojilere odaklanma yeteneği artırılmıştır. Geliştirilen model, aynı veri seti üzerinde raporlanan mevcut çalışmalarla karşılaştırıldığında, hasta bazlı değerlendirmede tutarlı ve rekabet edebilir bir performans sergilemiştir. Elde edilen sonuçlar, önerilen yaklaşımın abdominal acil patolojilerin hızlı ön değerlendirilmesi için kullanılabileceğini göstermektedir.Karın bölgesine ait acil bilgisayarlı tomografi (BT) görüntülerinde görülen patolojilerin hızlı ve doğru biçimde saptanması, özellikle acil servis koşullarında klinik karar sürecini doğrudan etkileyen kritik bir gereksinimdir. Bu tür sistemler, acil servis dışında da rutin klinik pratikte radyologlara yardımcı bir tanı destek aracı olarak kullanılabilir ve gözden kaçabilecek bulguların azaltılmasına katkı sağlayabilir. Bu çalışmada, akut kolesistit, akut pankreatit, böbrek/üreter taşı ve abdominal aort anevrizması/diseksiyonu bulgularının BT kesitleri üzerinden otomatik olarak tespiti ve sınıflandırılması için derin öğrenme tabanlı bir nesne tespit yöntemi önerilmektedir. Çalışmada, Teknofest Sağlıkta Yapay Zekâ Yarışması kapsamında yayımlanan veri seti kullanılmıştır. Veri setinin farklı hastaneler, farklı BT cihazları ve farklı çekim protokollerinden kaynaklanan heterojen yapısını azaltmak amacıyla giriş görüntülerine yoğunluk dönüşümü ve pencereleme, gürültü azaltma ve geometrik standardizasyon adımlarını içeren çok aşamalı bir ön işleme hattı uygulanmıştır. Nesne tespiti için YOLOv11 tabanlı mimari ile model eğitilmiş ve başarım hem rastgele görüntü bazlı hem de klinik genellenebilirliği daha iyi temsil eden hasta bazlı veri kullanımı senaryoları altında değerlendirilmiştir. Görüntü bazlı veri kullanımı senaryosunda genel başarım [email protected] değeri 0,94 ve [email protected]:0.95 değeri 0,67 olarak elde edilirken, hasta bazlı veri kullanımında bu değerler sırasıyla 0,77 ve 0,44 olarak bulunmuştur. Sınıf bazında en yüksek başarım AAA/AAD sınıfında gözlenmiş; böbrek/üreter taşı sınıfı ise küçük lezyon yapısı ve sınırlı örnek sayısı nedeniyle en zor sınıf olarak öne çıkmıştır. Gerçekçi bir klinik senaryoyu yansıtmak amacıyla hasta bazlı veri kullanımı benimsenmiş ve bu kapsamda mimari EMA, SimAM ve CA dikkat mekanizmaları ile geliştirilmiştir. Bu mimaride dikkat modülleri, omurga üzerindeki C3k2 bloklarına kademeli olarak entegre edilerek modelin özellikle küçük ve düşük kontrastlı patolojilere odaklanma yeteneği artırılmıştır. Geliştirilen model, aynı veri seti üzerinde raporlanan mevcut çalışmalarla karşılaştırıldığında, hasta bazlı değerlendirmede tutarlı ve rekabet edebilir bir performans sergilemiştir. Elde edilen sonuçlar, önerilen yaklaşımın abdominal acil patolojilerin hızlı ön değerlendirilmesi için kullanılabileceğini göstermektedir.
Özet (Çeviri)
Rapid and accurate detection of pathologies observed in emergency abdominal computed tomography (CT) images is a critical requirement that directly affects the clinical decision-making process, particularly under emergency department conditions. Such systems can also be used as computer-aided diagnostic support tools in routine clinical practice outside emergency settings, contributing to the reduction of overlooked findings. In this study, a deep learning-based object detection method is proposed for the automatic detection and classification of acute cholecystitis, acute pancreatitis, kidney/ureter stones, and abdominal aortic aneurysm/dissection findings from CT slices. In this study, the dataset published within the scope of the TEKNOFEST Health Artificial Intelligence Competition was used. To reduce the heterogeneity of the dataset arising from different hospitals, different CT scanners, and different acquisition protocols, a multi-stage preprocessing pipeline was applied to the input images, including intensity transformation and windowing, noise reduction, and geometric standardization. For object detection, a model was trained using a YOLOv11-based architecture, and its performance was evaluated under both random image-based and patient-based data usage scenarios, the latter of which better represents clinical generalizability. In the image-based data usage scenario, overall performance was achieved with an [email protected] value of 0.94 and an [email protected]:0.95 value of 0.67, while in the patient-based data usage scenario these values decreased to 0.77 and 0.44, respectively. Class-wise evaluation showed that the highest performance was observed in the AAA/AAD class, whereas the kidney/ureter stone class emerged as the most challenging due to its small lesion size and limited number of samples. To reflect a realistic clinical scenario, patient-based data usage was adopted, and within this framework the architecture was enhanced using EMA, SimAM, and CA attention mechanisms. In this architecture, attention modules were gradually integrated into the C3k2 blocks of the backbone, thereby improving the model's ability to focus particularly on small and low-contrast pathologies. The developed model exhibited a consistent and competitive performance in patient-based evaluation when compared to existing studies reported on the same dataset. The results indicate that the proposed approach can be used for the rapid preliminary assessment of abdominal emergency pathologies.
Benzer Tezler
- Derin öğrenme mimarileri kullanılarak ayrık video görüntüleri üzerinden işaret dili tanıma
Isolated sign language recognition using deep learning architectures
CEMİL GÜNDÜZ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT
- Derin öğrenme mimarileri kullanılarak drone ile askeri araç ve silahların sınıflandırılması
Classification of military vehicles and weapons with drones using deep learning architectures with drones
DOĞAN EROL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM
- Derin öğrenme mimarileri kullanılarak dudak okuma ile konuşma tanıma sistemi tasarlanması
Designing a speech recognition system with lip reading using deep learning architectures
ALİ ERBEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Derin öğrenme mimarileri kullanılarak çöp sınıflandırma
Waste classification using deep learning architectures
EDA DALGA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
PROF. DR. RIDVAN SARAÇOĞLU
DOÇ. DR. EMİNE OKUMUŞ
- Hibrit derin öğrenme mimarileri kullanılarak meme kanseri histopatolojik görüntülerinin analizi ve sınıflandırılması
Analysis and classification of breast cancer histopathological images using hybrid deep learning architectures
FEYZA YILMAZ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİNE BAŞ