Kidney stone detection using different machine learning algorithms with advanced preprocessing methods
Gelişmiş ön işleme yöntemleri ile farklı makine öğrenmesi algoritmaları kullanılarak böbrek taşı tespiti
- Tez No: 1014959
- Danışmanlar: DR. ÖĞR. ÜYESİ HAYDER MOHAMMEDQASIM
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgisayarlı tomografi (BT) görüntülerine dayalı böbrek taşı tespitinin otomatik olarak gerçekleştirilmesi, tıbbi görüntü analizi alanında son derece önemli olup; erken tanı, tedavi planlaması ve klinik karar destek sistemleri açısından önemli katkılar sağlamaktadır. BT görüntülerinin manuel olarak yorumlanması zaman alıcıdır ve gözlemciler arasında farklılıklara yol açabilmektedir. Bu durum, söz konusu amaca ulaşmak için yapay zekâ tabanlı güvenilir tanı sistemlerinin geliştirilmesini teşvik etmektedir. Bu tez çalışması, böbrek taşlarının tespiti ve böbrek hastalıklarının sınıflandırılmasında derin öğrenme ve klasik makine öğrenmesi yöntemlerinin etkinliğini, bilgisayarlı tomografi verileri kullanarak incelemektedir. Model performansını değerlendirmek amacıyla, ikili ve çok sınıflı sınıflandırma senaryolarında iki adet açık erişimli veri kümesi kullanılmıştır. Aksiyel BT böbrek taşı tespit veri kümesi, taş ve taş olmayan durumların ikili sınıflandırılması için kullanılırken; Kaggle BT böbrek veri kümesi, normal böbrek, kist, tümör ve taş olmak üzere dört farklı böbrek durumunda çok sınıflı sınıflandırmaya olanak sağlamıştır. Bu veri kümeleri, klinik açıdan anlamlı tanısal zorlukları yansıtan tamamlayıcı değerlendirme senaryoları sunmaktadır. Birleşik bir deneysel çerçeve kapsamında ResNet18, EfficientNet-B0, MobileNetV3 ve ShuffleNetV2 gibi modern evrişimli sinir ağı mimarileri kullanılmış ve aynı amaca hizmet eden Random Forest, XGBoost, LightGBM ve Radyal Tabanlı Fonksiyonlu Destek Vektör Makineleri (SVM-RBF) gibi klasik makine öğrenmesi modelleri ile karşılaştırılmıştır. Model performansı; doğruluk (accuracy), F1 skoru ve alıcı işletim karakteristiği eğrisi altında kalan alan (AUC) gibi standart değerlendirme metrikleri kullanılarak analiz edilmiştir. Deneysel sonuçlar, derin öğrenme modellerinin klasik makine öğrenmesi yöntemlerine kıyasla önemli ölçüde daha üstün performans gösterdiğini ortaya koymaktadır. Tüm değerlendirilen modeller arasında en yüksek sınıflandırma başarımını elde eden ResNet18, ikili sınıflandırmada %99'un üzerinde doğruluk, yüksek F1 skoru ve AUC değerleri ile öne çıkmış; çok sınıflı sınıflandırmada da neredeyse kusursuz bir performans sergilemiştir. Elde edilen bulgular, evrişimli sinir ağlarının böbrek taşı tespitindeki etkinliğini açıkça ortaya koymakta ve klinik görüntüleme ortamlarında karar destek sistemleri için güçlü bir araç olma potansiyelini doğrulamaktadır.
Özet (Çeviri)
The Automated detection of kidney stones based on computed tomography (CT) images is highly important in medical image analysis, with significant implications for early diagnosis, treatment planning, and clinical decision support. Manual interpretation of CT scans is also time-consuming and sometimes subject to variation among observers, which stimulates the development of reliable diagnostic systems based on artificial intelligence to achieve this purpose. This thesis examines the effectiveness of deep learning as well as classical machine learning methods for detecting kidney stones and classifying kidney disease using computed tomography data. Two publicly available datasets were used to evaluate the model's performance under binary and multi-category classification settings. The axial CT kidney stone detection dataset was used for binary classification of stony and non-stone conditions, while the Kaggle CT kidney dataset enabled multi-class classification across four kidney conditions: normal kidney, cyst, tumor, and stone. These datasets provide complementary evaluation scenarios that reflect clinically relevant diagnostic challenges. Several modern convolutional neural network architectures have been worked on, including ResNet18, EfficientNet-B0, MobileNetV3, and ShuffleNetV2, through a unified experimental framework and compared to classical machine learning models that perform the same purpose such as Random Forest, XGBoost, LightGBM, and Support Vector Machine with Radial Basis Function (SVM-RBF). Model performance was evaluated using standard evaluation metrics, including accuracy and F1 score as well as by the area under the receiver operating characteristic (AUC) curve. Experimental results show that deep learning models significantly outperform classical machine learning methods. ResNet18 achieved the highest classification performance among all evaluated models, exceeding 99% accuracy with high F1 scores and AUC values in binary classification, and had near-perfect performance in multi-class classification as well. These results focused directly on the effectiveness of convolutional neural networks in detecting kidney stones and also confirm their potential as powerful tools useful in decision support in clinical imaging environments.
Benzer Tezler
- Derin öğrenme mimarileri kullanılarak abdomen bölgesi için hastalık tespiti
Disease detection in the abdominal region using deep learning architectures
NESLİHAN AYAZ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE DEMİRHAN
- Visual object detection in biomedical ımages with anchorless detectors
Biyomedikal imgelerde çapasiz dedektörlerle görsel nesne tespiti
RODNEY KADADI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. HASAN SERHAN YAVUZ
- Dual enerji BT ürografide saptanan üriner sistem patolojileri
Urinary system pathologies determined in dual energy CT urography
MEHMET GEZER
Tıpta Uzmanlık
Türkçe
2018
Radyoloji ve Nükleer Tıpİnönü ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. LEYLA KARACA
- İdrar yolu enfeksiyonu hastalarından Citrobacter spp türlerinin izolasyonu ve tanımlanması
Isolation and identification of Citrobacter spp from urinary tract infection patients
RAYA SFOOG NAYEL
Yüksek Lisans
Türkçe
2023
BiyolojiÇankırı Karatekin ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. ORAL DÜZDEMİR
PROF. DR. IKRAM ABBAS ABOUD AL-SAMARRAAY
- Türk populasyununda kalsitonin reseptör (CTR) geni polimorfizminin PCR-RFLP yöntemi ile belirlenmesi
Detection of the calcitonin receptor (CTR) gene polymorphism using PCR-RFLP assay in Turkish population
TURGUT ÖZTÜRK
Yüksek Lisans
Türkçe
2008
BiyolojiAdnan Menderes ÜniversitesiBiyoloji Ana Bilim Dalı
DOÇ. DR. PINAR OKYAY
PROF. DR. FEVZİ BARDAKCI