Derin öğrenme yöntemleriyle medikal görüntü sınıflandırma
Medical image classification with deep learning methods
- Tez No: 572384
- Danışmanlar: DOÇ. DR. HACER KARACAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alzheimer hastalığı hafıza ve düşünme becerisi kaybına ve beyin hücrelerinin yavaşça tahribatına neden olan geriye döndürülemez ve sürekli ilerleyen yapıda bir nörodejeneratif hastalıktır. Hastalığın teşhisinde en çok kullanılan nörogörüntüleme yöntemlerinden biri klinik değerlendirmenin önemli bir parçası olan manyetik rezonans(MR) görüntülemedir. Alzheimer vakalarında beyindeki formlar farklı hastalıklarla örtüşen örüntülere sahip olabilmektedir. Bu nedenle MR görüntü verilerinden Alzheimer'lı ve sağlıklı beynin ayırt edilerek hastalığın teşhisi zorlu bir görevdir. Bu çalışmadaki gibi zorlu görsel sınıflandırma problemleri için son dönemdeki yaklaşımlar, derin öğrenme metotlarını kullanarak geçmişteki yöntemlere oranla daha güçlü özellik çıkarımı ile sınıflandırma başarısının artırılmasına dayanmaktadır. Bu nedenle hastalığın teşhisinde yardımcı derin öğrenme algoritmalarının kullanılması araştırmacıların bilgisayar destekli doğru ve hızlı teşhis koymasına yardımcı olacaktır. Bu çalışmada, fonksiyonel MR görüntülerindeki desenlerin derin öğrenme mimarilerinden konvolüsyonel sinir ağı ile tespiti ile görüntülerin doğru sınıflandırılması ve teşhisin araştırmacılar için kolaylaştırılması amaçlanmıştır. Veri seti olarak Alzheimer ile ilgili literatürdeki birçok araştırmada standart haline gelmiş ADNI nörogörüntüleme veri tabanının bir alt kümesi kullanılmıştır. Oluşturulan sınıflandırma boru hattına göre öncelikle ham fonksiyonel MR görüntü veri seti üzerinde ön işleme yapılmıştır. Ön işleme aşamasında görüntülerdeki gürültülerin azaltılması, kafatası gibi beyin dokusu harici kısımların çıkarılması, MR görüntüleme sırasında hareket edilmemesi gerektiğinden böyle bir durum söz konusu ise hareket düzeltme işlemleri gibi adımlar FSL analiz aracı ile gerçekleştirilmiştir. Önişleme sonrasında oluşturulan konvolüsyonel sinir ağının eğitimi ile veriden düşükten yüksek seviyeye özelliklerin çıkarımı gerçekleştirilmiş ve daha sonra öğrenilen bu özelliklere göre yapılan sınama sonucunda yüksek sınıflandırma doğruluk oranı elde edilmiştir.
Özet (Çeviri)
Alzheimer's disease is a sustained progressive and irreversible neurodegenerative disease that causes loss of memory and thinking skills and the slow destruction of brain cells. One of the most commonly used neuroimaging methods in the diagnosis of the disease is magnetic resonance imaging (MRI), which is an important part of clinical evaluation. In Alzheimer's cases, the forms in the brain may have patterns that overlap with different diseases. Diagnosis of the disease is therefore a difficult task by distinguishing between Alzheimer's and healthy brain from MR image data. Recent approaches to challenging visual classification problems, such as in this study, are based on the use of deep learning methods to enhance classification success with stronger property extraction than previous methods. Therefore, the use of deep learning algorithms to assist in the diagnosis of the disease will help researchers make accurate and rapid computer-assisted diagnostics. The aim of this study was to determine the patterns in functional MR images by convolutional neural network, which is one of the deep learning architectures, to classify the images correctly and to facilitate diagnosis for the researchers. In this study as a data set, a subset of the ADNI neuroimaging database used like many studies in literature related to Alzheimer's. According to the classification pipeline which created, firstly preprocessing step is applied to the raw functional MRI data set. In the preprocessing step, reduce of the noise in the images, remove of non-brain tissue parts such as the skull from images, because of the need to motionless during the MR imaging correction of motion and such procedures was performed with the FSL analysis tool. After preprocessing, convolutional neural network training was performed to extract the features from low to high level, and then according to these features as a result of the test, high classification accuracy rate was obtained.
Benzer Tezler
- Tıbbi görüntü işleme ve derin öğrenme yöntemleriyle hastalıklarda teşhis otomasyon modeli
Diagnostic automation model in diseases with medical image processing and deep learning methods
MUSTAFA GÜLER
Doktora
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-CerrahpaşaEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERSİN NAMLI
DOÇ. DR. RAMAZAN ÜNLÜ
- Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması
Classification of breast cancer histopatological images using deep learning methods
KADİR CAN BURÇAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Tıbbi görüntü analizi ve işlemede derin öğrenme modelleri
Deep learning models on medical image analysis and processing
YASİN KIRELLİ
Doktora
Türkçe
2022
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEHER ARSLANKAYA
- Kemik kırığı görüntülerinin derin öğrenme ile sınıflandırılması ve elde edilen verilerin kriptoloji ile şifrelenerek steganografi uygulaması
Classification of bone fracture images with deep learning and steganography application by encrypting the obtained data with cryptology
FATİH AKTÜRK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI
- Deep learning based adaptive resizing of high resolution images for improved segmentation performance
Gelişmiş segmentasyon performansı için yüksek çözünürlüklü görüntülerin derin öğrenme tabanlı uyarlanabilir yeniden boyutlandırılması
EKREM FİDAN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDURRAHMAN GÜMÜŞ