Balon dilatasyon kateteri kalitesinin yapay zeka ile değerlendirilmesi
Evaluation of balloon dilatation catheter quality with artificial intelligence
- Tez No: 1015581
- Danışmanlar: DR. ÖĞR. ÜYESİ FARUK AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, derin öğrenme teknikleri kullanılarak Perkütan Transluminal Koroner Anjiyoplasti (Percutaneous Transluminal Coronary Angioplasty- PTCA) ve Perkütan Transluminal Anjiyoplasti (Percutaneous Transluminal Angioplasty- PTA) balon dilatasyon kateterleri için otomatik bir kalite değerlendirme sisteminin geliştirilmesini amaçlamaktadır. Tıbbi Cihaz Yönetmeliği (Medical Device Regulation- MDR) 2017/745 uyarınca yüksek riskli Sınıf III (PTCA) ve Sınıf IIa (PTA) kategorilerinde yer alan bu cihazların kalite kontrol süreçleri, hasta güvenliği açısından kritik öneme sahiptir. Çalışma kapsamında, Uluslararası Standardizasyon Örgütü (ISO) 10555 serisi referans alınarak ikili ve çoklu sınıflandırma aşamaları yürütülmüştür. İkili sınıflandırmada (iyi/kötü) Evrişimli Sinir Ağları (Convolutional Neural Network- CNN), Fast CNN (katman sayısı azaltılarak hesaplama maliyeti düşürülmüş CNN), ResNet50, ViT (Vision Transformer) ve YOLOv8 (You Only Look Once version 8) modelleri karşılaştırılmıştır. YOLOv8 modeli %94,9 doğruluk, %96,3 hassasiyet ve %96 F1 skoru ile en başarılı mimari olurken; ResNet50 (%86,5) ve ViT (%85,3) sınırlı veri setinde daha düşük performans sergilemiştir. Spesifik kusur tiplerini belirlemeye yönelik 9 sınıflı çoklu sınıflandırmada ise veri dengesizliği ve gürültü sorunları odaklanmış kayıp ve görüntü kırpma stratejileriyle giderilmiştir. Bu aşamada EfficientNetV2-B0 modeli %73,5 Makro-F1 ve %74,7 doğruluk, MobileNetV2 ise %73,1 Makro-F1 ve %75,8 doğruluk elde etmiştir. Karmaşıklık matrisleri, modellerin birbirine benzeyen kusurları ayırt etmedeki zorluğunun ağ kapasitesinden ziyade ürün görüntülerinin yapısal karmaşıklığından kaynaklandığını göstermiştir. Araştırma sonuçları, tasarlanan derin öğrenme tabanlı sistemin, yüksek riskli balon dilatasyon kateterlerinin kalite değerlendirmesinde güvenilir bir karar destek mekanizması işlevi gördüğünü kanıtlamaktadır. Denetim süreçlerinde standardizasyonu sağlayan bu çok aşamalı yaklaşım, manuel değerlendirme yükünü hafifleterek hata payını düşürmekte ve sektörün ihtiyaç duyduğu nesnel kalite kontrol kriterlerine teknolojik bir temel oluşturmaktadır.
Özet (Çeviri)
This thesis study aims to develop an automated quality assessment system for Percutaneous Transluminal Coronary Angioplasty (PTCA) and Percutaneous Transluminal Angioplasty (PTA) balloon dilatation catheters using deep learning techniques. The quality control processes of these devices, which are in the high-risk Class III (PTCA) and Class IIa (PTA) categories according to the Medical Device Regulation (MDR) 2017/745, are of critical importance for patient safety. Within the scope of the study, binary and multi-class classification stages were carried out by taking the International Organization for Standardization (ISO) 10555 series as a reference. In binary classification (good/bad), Convolutional Neural Network (CNN), Fast CNN (a CNN with reduced layers to lower computational costs), ResNet50, ViT (Vision Transformer), and YOLOv8 (You Only Look Once version 8) models were compared. While the YOLOv8 model became the most successful architecture with 94.9% accuracy, 96.3% precision, and a 96% F1 score; ResNet50 (86.5%) and ViT (85.3%) exhibited lower performance in the limited dataset. In the 9-class multi-class classification aimed at determining specific defect types, data imbalance and noise problems were eliminated with focal loss and image cropping strategies. At this stage, the EfficientNetV2-B0 model achieved 73.5% Macro-F1 and 74.7% accuracy, while MobileNetV2 obtained 73.1% Macro-F1 and 75.8% accuracy. Confusion matrices showed that the difficulty of the models in distinguishing similar defects stemmed from the structural complexity of the product images rather than the network capacity. Research results prove that the designed deep learning-based system functions as a reliable decision support mechanism in the quality assessment of high-risk balloon dilatation catheters. This multi-stage approach, which ensures standardization in inspection processes, reduces the margin of error by lightening the manual evaluation workload and forms a technological foundation for the objective quality control criteria needed by the sector.
Benzer Tezler
- Design of electrospun cardiovascular bypass graft using derivative of poly (Alkylene terephthalate)
Poli (Alkilen tereftalat) türevi kullanılarak elektro eğrilmiş kardiyovasküler baypas greft tasarımı
BERNA ŞENSU
Yüksek Lisans
İngilizce
2020
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. HALE KARAKAŞ
- Benign biliyer darlıkta perkütan tedavi
Percutaneous treatment of benign biliary strictures
SARA KYENDYEBAI
Tıpta Uzmanlık
Türkçe
2012
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. DEVRİM AKINCI
- Sheathed ve sheathless intra-aortik balon kateterlerinin vasküler komplikasyonlarının karşılaştırılması
The Comparison of vascular complications of sheathed and sheathless intra-aortic balloon catheters
ERKAN KURALAY
- Özofagus darlığı nedeni ile perkütan balon dilatasyonu yapılmış çocuk hastaların retrospektif değerlendirilmesi
A retrospective evaluation of percutaneous balloon dilatation in children with esophageal stricture
CENK HOŞGEÇİN
Tıpta Uzmanlık
Türkçe
2018
Radyoloji ve Nükleer TıpErciyes ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. GÜVEN KAHRİMAN