Evrişimsel sinir ağı modelleri ile yeni bir veri seti kullanılarak röntgen görüntülerinin sınıflandırılması
Classification of x-ray images using a novel dataset with convolutional neural network models
- Tez No: 1010578
- Danışmanlar: DOÇ. DR. BURHANETTİN DURMUŞ, DR. ÖĞR. ÜYESİ MEHMET ALİ GEDİK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tıbbi görüntüleme sistemleri, modern sağlık hizmetlerinde önemli bir rol oynamaktadır ve röntgen görüntüleri, düşük maliyeti ve erişilebilirliği sayesinde sıkça kullanılan bir tanı aracıdır. Ancak, tıbbi görüntülerin dijital olarak depolanıp iletildiği Görüntü İşleme ve İletişim Sistemleri' nde (PACS) yer alan Dijital Görüntüleme ve İletişim (DICOM) etiketlerinin anatomik bölgeyi doğru ve ayrıntılı bir şekilde kodlamada yetersiz kaldığı bilinmektedir. Bu durum, tanı süreçlerinde hatalara yol açabilmektedir. Bu çalışmada, röntgen görüntülerinin otomatik anatomik bölge sınıflandırması için Evrişimsel Sinir Ağları tabanlı bir model geliştirilmesi hedeflenmiştir. Kütahya Şehir Hastanesi'nden temin edilen 27.926 yüksek kaliteli DICOM formatında röntgen görüntüsü kullanılarak, toplam 50 sınıf içeren detaylı anatomik bölge ve çekim yönü sınıflandırması gerçekleştirilmiştir. Sınıflandırma işleminde EfficientNetB4 ve ResNet50 mimarileri kullanılmıştır. Modelin karar alma süreçlerinin yorumlanabilirliğini artırmak amacıyla, sınıflandırma performansı düşük olan dört sınıf üzerinde Grad-CAM yöntemiyle görselleştirme yapılmıştır. Elde edilen sonuçlara göre, EfficientNetB4 modeli ile %97.85, ResNet50 modeli ile %96.95 doğrulama doğruluğu elde edilmiştir. Böylece, detaylı anatomik bölge ve yönsel sınıflandırmanın yüksek doğrulukla yapılabildiği ve bu yaklaşımın hastane bilgi sistemlerindeki etiketleme doğruluğunu artırmada etkili olduğu gösterilmektedir.
Özet (Çeviri)
Medical imaging systems play a crucial role in modern healthcare, with X-ray imaging serving as one of the most used diagnostic tools due to its low cost and wide accessibility. However, the DICOM tags stored and transmitted in Picture Archiving and Communication Systems (PACS) are often insufficient for accurately and comprehensively encoding anatomical regions, which can lead to errors in diagnostic workflows. This study aims to develop a Convolutional Neural Network (CNN)-based model for the automatic classification of anatomical regions in X-ray images. A dataset of 27,926 high-quality DICOM-format X-ray images obtained from Kütahya City Hospital was used to perform detailed classification across 50 categories, covering both anatomical regions and imaging orientations. The classification task was carried out using EfficientNetB4 and ResNet50 architectures. To enhance the interpretability of the model's decision-making process, Grad-CAM visualizations were generated for four classes with lower classification performance. The results demonstrate that the EfficientNetB4 model achieved a validation accuracy of 97.85%, while the ResNet50 model achieved 96.95%. Thus, it is demonstrated that detailed anatomical region and directional classification can be performed with high accuracy, and that this approach is effective in improving labeling accuracy in hospital information systems.
Benzer Tezler
- Transfer öğrenmesi tabanlı hibrit evrişimsel sinir ağı modelleri kullanılarak meme kanseri teşhisi
Breast cancer detection using transfer learning based hybrid convolutional neural network models
CHINGIZ SEYIDBAYLI
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiYıldız Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CENK ULU
- Evrişimsel sinir ağları ile cilt hastalık görüntülerinin sınıflandırılmasında transfer öğrenme yönteminin etkinliğinin araştırılması
Investigation of the efficiency of transfer learning method in classification of skin disease images by convolutional neural networks
AYHAN SARI
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSA AYDIN
DR. ÖĞR. ÜYESİ ALİ NİZAM
- Multimodal medical visual question answering: Knowledge spaces and semantic segmentation for improved and explainable AI
Çok-kipli tıbbi görsel soru cevaplama: Bilgi uzayları ve anlamsal bölütleme ile gelişmiş ve açıklanabilir yapay zekâ
ZİYA ATA YAZICI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Car damage analysis for insurance market using convolutional neural networks
Sigorta sektörü için evrişimsel sinir ağları kullanarak araç hasarı analizi
CİHAT TOLGA ARTAN
Yüksek Lisans
İngilizce
2019
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA KAYA
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA