Development of a deep learning model for detection brain tumor recurrence from MRI data
MRI görüntülerinden beyin tümörü nüksünü tespit eden derin öğrenme modelinin geliştirilmesi
- Tez No: 1022427
- Danışmanlar: DR. ÖĞR. ÜYESİ HASAN AKSOY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Evrişimli sinir ağları, Convolutional neural networks
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Türk Hava Kurumu Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, ameliyat sonrası beyin tümörü nüksünün manyetik rezonans görüntüleri (MRI) üzerinden otomatik olarak tespit edilmesini amaçlayan uçtan uca bir derin öğrenme tabanlı karar destek sistemi geliştirilmiştir. Klinik uygulanabilirlik sağlayabilmesi amacıyla segmentasyon adımı içermeyen bir sınıflandırma mimarisi tercih edilmiştir. ConvNeXt-Large modeli temel alınarak“recurrence”ve“no_recurrence”olmak üzere iki sınıflı bir yapı oluşturulmuştur. Ayrıca yine klinik uygulanabilirlik sağlaması amacıyla, 3D hacim verileri yerine, 300×300 piksel boyutunda 2D MRI kesitleri kullanılmıştır. Literatürde bu konu üzerine yapılan çalışmalar segmentasyon içermekte ve çoğu 3D kesitler üzerinden analiz yapmaktadır. Bu durum geliştirilen modeller için yüksek performans değerleri sağlasa da modellerin klinik uygulanabilirliği çok düşük kalmakta, hatta mümkün olmamaktadır. Oysa bu çalışma, segmentasyon içermeyen ve doğrudan sınıflandırmaya dayalı uçtan uca bir yaklaşım benimsemiş olmasına rağmen test kümesinde yüksek performans değerleri elde ederek mevcut yöntemlerle karşılaştırılabilir sonuçlar sağlamıştır (AUC≈80). Dolayısıyla, geliştirilen sistem klinik ortamlarda uygulanabilirliği yüksek, doğrudan karar destek mekanizması sunan bir yapı ortaya koymaktadır. Bu özelliği ile çalışma, doktorlara ayırt etmekte zorlandıkları nüks ve doku farklılaşmasını erken evrede tespit edilebilen karar destek sistemi sağlamakta; tanıdaki gecikmelere bağlı olarak ortaya çıkabilecek geri dönüşü olmayan hasarların ve buna bağlı mortalitelerin önlenmesi hedeflenmektedir. Aynı zamanda daha ayrıntılı hasta takip verisi gerektiren nüks tahmin modelleri için de önemli bir basamak niteliği taşımaktadır.
Özet (Çeviri)
This study develops an end-to-end deep learning-based decision support system aimed at automatically detecting postoperative brain tumor recurrence from magnetic resonance imaging (MRI). To ensure clinical applicability, a classification architecture without segmentation was chosen. Based on the ConvNeXt-Large model, a two-class structure consisting of“recurrence”and“no_recurrence”classes was created. Furthermore, to further enhance clinical applicability, 2D MRI slices with a size of 300x300 pixels were used instead of 3D volumetric data. Previous studies in the literature on this topic often involve segmentation and perform analysis using 3D slices. While this approach provides high performance values for the developed models, their clinical applicability remains very low, or even impossible. However, this study, despite adopting an end-to-end approach based on direct classification without segmentation, achieved high performance values in the test set, providing results comparable to existing methods (AUC≈80). Therefore, the developed system presents a structure that offers a direct decision support mechanism with high applicability in clinical settings. With this feature, the study provides doctors with a decision support system that can detect recurrence and tissue differentiation, which they have difficulty distinguishing, at an early stage; and aims to prevent irreversible damage and related mortality that may occur due to delays in diagnosis. It also represents an important step for recurrence prediction models that require more detailed patient follow-up data.
Benzer Tezler
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- 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
- Derin öğrenme yöntemleri ile beyin MRI görüntülerinde anomali tespiti
Anomaly detection in brain MRI images with deep learning methods
EBRU AYDOĞAN DUMAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
DR. ÖĞR. ÜYESİ EMRAH ÇELTİKÇİ
- Beyin tümörlerinin MR görüntüleri üzerinden derin öğrenme yöntemiyle tespiti ve sınıflandırması
Determination and classification of brain tumors on MR images by deep learning method
MERVE KÖRDEMİR
Yüksek Lisans
Türkçe
2021
BiyomühendislikAkdeniz ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET BOZKURT
DOÇ. DR. KERİM KÜRŞAT ÇEVİK
- 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