MS segmentation by using MRI images
MR görüntüleri kullanarak MS bölütlemesi
- Tez No: 213079
- Danışmanlar: Y.DOÇ.DR. AHMET ÖZKURT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Multiple Sclerosis, Manyetik Rezonans Görüntüleme, Bölütleme, Yapay Sinir Ağları, Fuzzy C-Means, K-Means, Kümeleme, Temel Bileşen Analizi (PCA), Bağımsız Bileşen Analizi (ICA), Bağımsız bileşen analizi, Multipl skleroz, Multiple Sclerosis, Magnetic Resonance Imaging, Segmentation, Artificial Neural Network, Fuzzy C-Means, K-Means, Clustering, Principle Component Analysis (PCA), Independent Component Analysis (ICA), Independent component analysis
- Yıl: 2007
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Multiple Sclerosis (MS), merkezi sinir sistemi, beyin ve omuriliği etkileyen bir hastalıktır. MS lezyonlarının içsel heterojen yapısı MR görüntülerine yansır ve lezyonların sağlıklı beyin dokusundan ayrılması sırasında zorluklarla karşılaşılır. Lezyonların otomatik bölütlenmesi MS'in tanımlanması ve izlenmesi açısından gereklidir. Bu çalışmada, MS lezyonlarının bölütlenmesi için farklı doku sınıflandırma teknikleri karşılaştırıldı. Yapay sinir ağları, güdümlü yöntem olarak dikkate alındı. Bağımsız bileşen analizi (ICA) ve temel bileşen analizi (PCA) ile birleştirilmiş fuzzy c-means, k-means ve k-medoid kümeleme yöntemleri ile çok seviyeli geri yayılım sinir ağları algoritmaları karşılaştırıldı ve sonuçlar değerlendirildi.
Özet (Çeviri)
Multiple Sclerosis (MS) is a disease of the central nervous system, brain and spinal cord. The inherent heterogeneity of MS lesions, which is reflected on MR images, causes some of the difficulties encountered while attempting to separate lesions from healthy brain tissue and cerebro-spinal fluid. Automated segmentation of the lesions is useful for trace and diagnosis of MS. In this study, different tissue classification techniques are compared for segmentation of the MS lesions. Artificial neural networks are considered as supervised segmentation techniques and clustering algorithms are considered as unsupervised techniques. Fuzzy C-Means, K-Means and K-medoid clustering techniques with Principle Component Analysis, Independent Component Analysis and Multi Layer Back Propagation Neural Network algorithms are compared and results are evaluated.
Benzer Tezler
- Bulanık kümeleme algoritmaları kullanılarak beyin MR görüntülerinden MS lezyonlarının ayrıştırılması
Segmentation of MS lesions in brain magnetic resonance images using fuzzy clustering algorithms
İPEK TOKER
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Multiple sclerosis (MS) hastalığının erken teşhisi için manyetik rezonans (MR) görüntülerinin otomatik segmentasyonu
Automatic segmentaion of multiple sclerosis disiese (MS) from magnetic rezonans images (MRI) for early detection
CAN KİRAZ
Yüksek Lisans
Türkçe
2015
Mühendislik BilimleriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images
Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları
BEYTULLAH SARICA
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Manyetik rezonans görüntüleri yardımıyla Multiple Skleroz hastalığının tanısı için derin öğrenme yöntemlerinin analizi
Analysis of deep learning methods using magnetic resonance images for the diagnosis of Multiple Sclerosis disease
FATMA AKSU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CEVAHİR ÇINAR
- Yolov8 ve sam derin öğrenme modellerinin beyin tümörü tespiti ve segmentasyonu için mr görüntülerinde değerlendirilmesi ve entegrasyonu
Evaluation and integration of yolov8 and sam deep learning models for brain tumor detection and segmentation in mr imaging
SALAJDIN MALOKU