Sağlıklı beyin MR görüntüleriyle eğitilen çekişmeli üretken ağ tabanlı anomali tespiti
Adversarial generative network-based anomaly detection trained with healthy brain MR images
- Tez No: 1010917
- Danışmanlar: DR. ÖĞR. ÜYESİ EVİN ŞAHİN SADIK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Anomali tespiti, Derin öğrenme, Görüntünün yeniden oluşumu, Mekansal bellek, Otokodlayıcılar, Tümörler, Anomaly detection, Deep learning, Image reconstruction, Spatial memory, Autoencoders
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin tümörleri ve nörolojik hastalıkların erken tanısı, hastaların tedavi süreci ve yaşam kalitesi açısından son derece önemlidir. Beyin Manyetik Rezonans (MR) görüntüleriyle anomali tespitinde kullanılan mevcut yöntemler arasında genellikle derin öğrenme tabanlı sınıflandırıcılar, segmentasyon ağları ve SVM gibi makine öğrenmesi yaklaşımları bulunmaktadır. Bu yöntemler çok sayıda etiketli veriye ihtiyaç duymakta ve verilerin hazırlanması hem zaman alıcı hem de maliyetli olmaktadır. Bu nedenle, söz konusu yaklaşımlar günlük klinik uygulamalarda geniş ölçekte kullanılamamaktadır. Bu tezde, yalnızca sağlıklı beyin MR görüntüleriyle eğitilen, derin öğrenme temelli gözetimsiz bir anomali tespit yöntemi geliştirilmiştir. Yöntemde, görüntüler küçük parçalara ayrılmakta ve test aşamasında şüpheli alanlar, modelin belleğinde depolanan sağlıklı doku örnekleriyle otomatik olarak doldurulmaktadır. Giriş ve model tarafından üretilen görüntü arasındaki farklar analiz edilerek anormal yapılar belirlenmektedir. Model mimarisinde otokodlayıcı ve üretken çekişmeli ağlar (GAN) bir arada kullanılmıştır. Geliştirilen yöntem, eğitim aşamasında kullanılmamış, farklı merkezlerden elde edilen veri setlerinde yüksek başarı göstermiştir. ATLAS R2.0, BraTS2017, REMBRANDT, UCSF-BMSR ve BraTS2023 veri setlerinde, sırasıyla %93,3, %91,6, %90,3, %89,7 ve %87,4 AUC değerlerine ulaşılmıştır. Bulgular, yöntemin klinik uygulamalar için etkili ve güvenilir bir çözüm potansiyeline sahip olduğunu göstermektedir.
Özet (Çeviri)
Early diagnosis of brain tumors and neurological diseases is extremely important for the treatment process and the quality of life of patients. Existing methods used for anomaly detection in brain Magnetic Resonance (MR) images typically include deep learning–based classifiers, segmentation networks, and machine learning approaches such as SVM. These methods require large amounts of labeled data, and preparing such data is both time-consuming and costly. Therefore, these approaches cannot be widely adopted in routine clinical practice. In this thesis, a deep learning–based unsupervised anomaly detection method trained solely on healthy brain MR images has been developed. In the proposed method, images are divided into small patches, and during the testing phase, suspicious regions are automatically filled with healthy tissue samples stored in the model's memory. Abnormal structures are then identified by analyzing the differences between the input image and the one generated by the model. The model architecture combines autoencoders and generative adversarial networks (GANs). The developed method demonstrated high performance on datasets from different centers that were not used during training. It achieved AUC values of 93.3%, 91.6%, 90.3%, 89.7%, and 87.4 on the ATLAS R2.0, BraTS2017, REMBRANDT, UCSF-BMSR, and BraTS2023 datasets, respectively. The findings indicate that the method has strong potential as an effective and reliable solution for clinical applications.
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
- 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
- Alzheımerlı hastaların mr görüntülerinde corpus callosum'un morfometrik olarak incelenmesi
Morphometric analysis of the corpus callosum in patients with alzheimer's disease in MR images
DUYGU AKIN SAYGIN
Doktora
Türkçe
2016
AnatomiNecmettin Erbakan ÜniversitesiAnatomi Ana Bilim Dalı
DOÇ. DR. MEHMET TUĞRUL YILMAZ
- Multiple sklerozlu hastaların MR görüntülerinde zamana karşı corpus callosum'un kalınlık ölçümü ile thalamus ve Nuclei Basales'in hacim ölçümleri ve birbirine oranlarının değerlendirilmesi
Evaluation of thickness measurement of corpus callosum and volume measurements of thalamus and Nuclei Basales and their ratios against time in MR images of patients with multiple sclerosis
BUKET RENDE
- Yapay zeka derin öğrenme algoritmaları ile mr görüntüleri ve ameliyat sırasındaki mikroskop görüntüleri kullanılarak derin öğrenme tekniği ile tümör sınıflaması yapılması ve tümörün normal beyin dokusundan ayırt edilmesinin sağlanması
Başlık çevirisi yok
EFECAN ÇEKİÇ
Tıpta Uzmanlık
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
PROF. DR. ADNAN DAĞÇINAR