Beyin MRI görüntülerinden derin öğrenme ve transformer modelleri kullanarak inme tespiti ve adaptif büyük dil modelleriyle otomatik radyolojik rapor üretimi
Stroke detection from brain MRI images using deep learning and transformer models and automatic radiological report generation with adaptive large language models
- Tez No: 1018170
- Danışmanlar: DOÇ. DR. AYŞE BERNA ALTINEL GİRGİN, DR. ÖĞR. ÜYESİ ABDULSAMET AKTAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnme, dünya genelinde ölüm ve kalıcı nörolojik sakatlığın en önemli nedenlerinden biri olup, erken tanı ve hızlı tedavi süreci hastaların klinik seyri açısından kritik öneme sahiptir. Özellikle akut iskemik inmenin değerlendirilmesinde manyetik rezonans görüntüleme (MRI) ve difüzyon ağırlıklı görüntüleme (DWI) sekansları önemli bir rol oynamaktadır. Ancak beyin MR görüntülerinin manuel olarak değerlendirilmesi ve radyolojik raporların hazırlanması zaman alıcı, uzman deneyimine bağımlı ve gözlemciler arası farklılıklara açık bir süreçtir. Bu nedenle otomatik görüntü analizi ve rapor üretim sistemlerinin geliştirilmesi klinik uygulamalar açısından büyük önem taşımaktadır. Bu tez çalışmasında, beyin MR görüntülerinden akut iskemik inme lezyonlarının otomatik segmentasyonu, anatomik ve klinik özelliklerinin çıkarılması ve bu bilgiler kullanılarak otomatik radyolojik rapor üretilmesini sağlayan bütünleşik bir yapay zekâ sistemi geliştirilmiştir. Çalışma kapsamında difüzyon ağırlıklı görüntüleme ve görünür difüzyon katsayısı görüntüleri kullanılmış; segmentasyon aşamasında nnU-Net, SwinUNETR ve 3D U-Net mimarileri değerlendirilmiştir. Ayrıca kenar haritaları ve anatomik/vasküler ön bilgi kanalları kullanılarak farklı çoklu girdi kombinasyonlarının segmentasyon performansına etkisi incelenmiştir. Elde edilen segmentasyon maskeleri üzerinden lezyon hacmi, anatomik lokalizasyon, yerleşim tarafı bilgisi ve vasküler sulama alanı gibi klinik açıdan önemli özellikler çıkarılmıştır. Anatomik eşleme sürecinde Harvard-Oxford atlasları ve vasküler atlaslardan yararlanılmıştır. Yapılandırılmış klinik bulgular daha sonra büyük dil modelleri kullanılarak Türkçe radyolojik raporlara dönüştürülmüştür. Model performansı Dice, IoU, BLEU, ROUGE, METEOR ve BERTScore metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, önerilen yaklaşımın hem otomatik inme segmentasyonu hem de klinik açıdan anlamlı radyolojik rapor üretimi açısından başarılı sonuçlar verdiğini göstermektedir.
Özet (Çeviri)
Stroke is one of the leading causes of death and permanent neurological disability worldwide, and early diagnosis together with rapid treatment is critically important for the clinical course of patients. In particular, magnetic resonance imaging (MRI) and diffusion-weighted imaging (DWI) sequences play a significant role in the evaluation of acute ischemic stroke. However, the manual assessment of brain MRI images and the preparation of radiological reports are time-consuming processes that are highly dependent on expert experience and prone to inter-observer variability. Therefore, the development of automatic image analysis and report generation systems has become of great importance for clinical applications. In this thesis, an integrated artificial intelligence system was developed for the automatic segmentation of acute ischemic stroke lesions from brain MRI images, extraction of anatomical and clinical features, and generation of automatic radiological reports using this information. Within the scope of the study, DWI and apparent diffusion coefficient (ADC) images were utilized, and nnU-Net, SwinUNETR, and 3D U-Net architectures were evaluated during the segmentation stage. In addition, the effects of different multi-input combinations on segmentation performance were investigated by incorporating edge maps and anatomical/vascular prior channels. Clinically significant features such as lesion volume, anatomical localization, lesion laterality, and vascular territory were extracted from the obtained segmentation masks. During the anatomical mapping process, Harvard-Oxford atlases and vascular atlases were utilized. The structured clinical findings were subsequently transformed into Turkish radiological reports using large language models. Model performance was evaluated using Dice, IoU, BLEU, ROUGE, METEOR, and BERTScore metrics. The obtained results demonstrate that the proposed approach achieves successful performance in both automatic stroke segmentation and the generation of clinically meaningful radiological reports.
Benzer Tezler
- Diagnosing knee injuries from mri with transformer based deep learning
Transformer tabanlı derin öğrenme ile mr görüntülerinden diz hastalıklarının tespiti
GÖKAY SEZEN
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Evrişimsel sinir ağı ve görü dönüştürücü mimarileri kullanılarak MR görüntülerinde beyin tümörlerinin otomatik sınıflandırılması
Automatic classification of brain tumors in MR images using convolutional neural network and vision transformer architectures
ÖMER MİRAÇ KÖKÇAM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK
- Manyetik rezonans görüntülerinden beyin tümörünün sınıflandırılması için derin öğrenme tabanlı karar destek sistemi
A deep learning-based decision support system for classification of brain tumors from magnetic resonance images
OĞUZHAN ŞİMŞEK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL AKYOL
- Beyin tümörünün manyetik rezonans görüntüleri üzerinden derin öğrenme yaklaşımlarıyla erken teşhisi ve sınıflandırılması
Early diagnosis and classification of brain tumors using deep learning approaches on magnetic resonance images
AYNUR SEVİNÇ
Doktora
Türkçe
2025
Bilim ve TeknolojiFırat ÜniversitesiTeknoloji ve Bilgi Yönetimi Ana Bilim Dalı
DOÇ. DR. BUKET KAYA
- Comparative analysi̇s of detection and classification of brain tumors using deep learning methods on MRI images
MR görüntülerinde derin öğrenme yöntemleri kullanılarak beyin tümörlerinin tespiti ve sınıflandırılmasının karşılaştırılmalı analizi
ALPER KAHRAMAN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAnkara Yıldırım Beyazıt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERAFETTİN EREL