Göğüs hastalıkları teşhisi için çok modlu bir derin öğrenme modeli
A multimodal deep learning model for chest disease diagnosis
- Tez No: 1019940
- Danışmanlar: PROF. DR. MEHMET KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Göğüs Hastalıkları, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Chest Diseases, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Klinik uygulamalarda, özellikle birden fazla patolojinin bir arada bulunduğu durumlarda, göğüs hastalıklarının erken teşhisi büyük önem taşımaktadır. Derin öğrenme tabanlı medikal görüntü analizi her ne kadar umut verici sonuçlar vadetse de, literatürde yer alan mevcut araştırmaların büyük bir çoğunluğu tek modlu veri füzyonuna ve sabit ölçekli veri kümelerine dayanmaktadır. Bu durum, modellerin genelleştirme kapasitelerini ve klinik geçerlilik düzeylerini sınırlandırmaktadır. Bu çalışmada, çok etiketli göğüs hastalıklarına ait radyoloji görüntüleri ve hastalara ait metadata bilgileri kullanılarak farklı veri ölçekleri ve tek modlu ile çok modlu derin öğrenme modellerinin karşılaştırmalı analizi kapsamlı bir şekilde ele alınmaktadır. Çalışma kapsamında ResNet50, EfficientNetB3 ve DenseNet121 olmak üzere üç sinir ağı mimarisi temel alınarak, veri ölçeğinin füzyonlar üzerindeki etkisinin incelenebilmesi açısından 5.606 veriden oluşan küçük ölçekli ve 121.120 veriden oluşan büyük ölçekli veri kümelerinin tek modlu ve çok modlu veri füzyonlarının her birine entegre edilmesiyle toplamda 12 adet model geliştirilmiştir. Bu modellerin performansları, Area Under the Receiver Operating Characteristic Curve (AUROC) metriği kullanılarak değerlendirilmiştir. Deneysel değerlendirme sonuçları, çok modlu füzyon içeren mimarilerin tek modlu füzyon içeren mimarilere oranla artan veri sayılarıyla birlikte daha tutarlı performans gösterdiğini ortaya koymaktadır. Buna ek olarak, özellikle nadir görülen patolojiler için veri hacminin artması daha iyi genelleme ve düşük performans varyansı elde edilmesine yol açmıştır. Çalışma kapsamında elde edilen bu sonuçlar, göğüs hastalıklarının tanı ve teşhis süreçlerinde güçlü klinik karar destek sistemlerinin kurulmasını desteklemekle beraber çok modlu veri füzyonunun çok etiketli öğrenmede tanı doğruluğunu artan veri ölçeğiyle birlikte nasıl iyileştirebileceğini göstermektedir.
Özet (Çeviri)
In clinical practice, especially in cases where multiple pathologies coexist, the early diagnosis of chest diseases is of great importance. Although deep learning-based medical image analysis shows promising outcomes, the vast majority of existing studies in the literature rely on unimodal data fusion and fixed-scale datasets. This limits the generalization capabilities and clinical validity levels of the models. This study comprehensively addresses the comparative analysis of various data scales and unimodal and multimodal deep learning models using radiology images of multi-labeled chest diseases and metadata information belonging to patients. Within the scope of this study, three neural network architectures (ResNet50, EfficientNetB3, and DenseNet121) were used as a basis to a total of 12 models were developed by integrating unimodal and multimodal data fusion into each of the small-scale dataset comprising 5,606 data points and the large-scale dataset consisting of 121,120 data points, in order to examine the effect of data scale on fusions. The performance of these models was evaluated based on the Area Under the Receiver Operating Characteristic Curve (AUROC).0020Experimental evaluation results demonstrate that architectures incorporating multimodal fusion exhibit more consistent performance than those incorporating unimodal fusion as data quantity increases. In addition, the increasing volume of data, particularly for rare pathologies, has led to improved generalization and lower performance variance. These findings support the development of robust clinical decision support systems for the diagnosis and treatment of chest diseases. They also demonstrate how multimodal data fusion can improve diagnostic accuracy in multi-labeled learning as data scale increases.
Benzer Tezler
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU
- Non-contact breathing abnormality detection using machine learning
Temassız ölçüm ve makine ögrenmesi ile nefes bozuklugu teşhisi
SEFA ERDOĞAN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖNCÜ
PROF. DR. CENGİZHAN ÖZTÜRK
- Multi - capsule endoscopy: Demonstrations of inter - capsular control and (tactile) sensing
Çoklu - kapsül endoskopi: Kapsüller arası kontrol ve (dokunsal) algılama yöntemleri
FURKAN PEKER
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR FERHANOĞLU
- Fotopletismografi sinyali ile Bruksizm teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi
Development of a machine learning based method for the diagnosis of Bruxism with photoplethysmography signal
ÖMER ERİŞ
Doktora
Türkçe
2025
BiyomühendislikSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET RECEP BOZKURT
- Osas hastaları için CPAP cihazlarındaki optimum basıncın yapay zeka ile tahmini
Prediction of optimum pressure in CPAP devices for osas patients by artificial intelligence
FATMA ZEHRA GÖĞÜŞ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY TEZEL