Geri Dön

Derin öğrenme yöntemleri kullanılarak tıbbi görüntülerden teşhis

Diagnosis from medical images using deep learning methods

  1. Tez No: 633558
  2. Yazar: OSMAN DOĞUŞ GÜLGÜN
  3. Danışmanlar: PROF. DR. HAMZA EROL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 149

Özet

Tıbbi görüntülerden teşhis, birçok tıbbi vakada kişiler açısından hayati önem taşımaktadır. Özellikle görüntülerden gözlem ile teşhisin zor olduğu bazı durumlarda, doktor ve uzmanlar değerlendirmelerde hata yapabilmektedir. Tıbbi görüntülerin sınıflandırılması yoluyla bu tür problemlere çözüm sağlamak amacıyla, derin öğrenme alanında önemli çalışmalar yapılmıştır. Gerçekleştirilen tez çalışmasında, derin öğrenme tekniklerinden evrişimli sinir ağı mimarisi (CNN) ile farklı sınıflandırma modelleri bir arada kullanılarak farklı teşhis sistem uygulamaları gerçekleştirilmiştir. Uygulamada evrişimli sinir ağı mimarisi ile görüntülerden sınıflandırma için önemli öznitelikler çıkarılmış ve analizde bu öznitelikler değerlendirilmiştir. Çıkarılan öznitelikler ilk olarak klasik evrişimli sinir ağı mimarisinde yer alan yapay sinir ağı (ANN) modeli kullanılarak sınıflandırılmıştır. Farklı sınıflandırma modellerinin teşhis performansına olan etkilerini gözlemlemek adına öznitelikler, k en yakın komşu (KNN), destek vektör makinesi (SVM), karar ağacı ve rastgele orman modelleri kullanılarak da sınıflandırılmış ve modellerin performansları karşılaştırılmıştır. Çalışmada 4 farklı tıbbi vakaya ait görüntüler, geliştirilen teşhis modelleri kullanılarak sınıflandırılmıştır. Modellerin daha başarılı sınıflandırma performansı sergilemesi ve daha güvenilir sonuçlar vermesi adına modellerde seyreltme ve veri artırma gibi farklı teknikler de kullanılmıştır. Çalışmada kullanılan 4 farklı görüntü veri setine ait görüntülerin sayısı, 2 farklı veri artırma uygulaması kullanılarak artırılmıştır. İlk veri artırma uygulamasında, orijinal görüntüler ile eğitilerek yeni, sentetik görüntüler üretebilen bir çekişmeli üretici ağ (GAN) modeli kullanılmıştır. İkinci veri artırma uygulamasında ise, veri setlerine ait görüntülere birtakım değişiklikler uygulanmakta ve görüntüler teşhis modellerine farklı formatlarda sunulmaktadır. Çalışmada, orijinal veri setleri ve boyutu artırılmış veri setleri ayrı olarak modeller tarafından değerlendirilmiş ve veri artırma uygulamalarının performansa etkisi gözlemlenmiştir. Çalışmada elde edilen sonuçlara göre, geliştirilen teşhis modelleri yüksek doğruluk oranları ile teşhis gerçekleştirebilmekte ve teşhis sonuç bilgisini bireylere başarılı bir şekilde sunabilmektedir. Sonuçlar, özellikle uygulanan veri artırma tekniklerinin sınıflandırma performansını önemli derecede artırdığını göstermektedir.

Özet (Çeviri)

Diagnosis from medical images is vital for individuals in many medical cases. In some cases, especially in cases where it is difficult to diagnose by observing images, doctors and specialists can make mistakes in evaluations. In order to provide solutions to such problems through the classification of medical images, important studies have been carried out in the field of deep learning. In the thesis study, different diagnostic system applications have been carried out by using the convolutional neural network architecture (CNN), which is one of the deep learning techniques, with different classification models. In practice, with the convolutional neural network architecture, important features were extracted from the images for classification and these features were evaluated in the analysis. The extracted features are first classified using the artificial neural network (ANN) model in classical convolutional neural network architecture. In order to observe the effects of different classification models on diagnostic performance, features were also classified using k nearest neighbor (KNN), support vector machine (SVM), decision tree and random forest models, and the performances of the models were compared. In the study, images belonging to 4 different medical cases were classified using developed diagnostic models. Different techniques such as dropout and data augmentation are also used in the models in order to provide more successful classification performance and more reliable results. The number of images belonging to 4 different image data sets used in the study was increased by using 2 different data augmentation applications. In the first data augmentation application, a generative adversarial network (GAN) model was used, which could be trained with original images and produce new, synthetic images. In the second data augmentation application, some changes are applied to the images belonging to the data sets and these images are presented to the diagnostic models in different formats. In the study, original datasets and increased datasets were evaluated separately by models and the effect of data augmentation applications on performance was observed. According to the results obtained in the study, the developed diagnostic models can perform diagnosis with high accuracy rates and present diagnostic result information to individuals successfully. The results show that especially applied data augmentation techniques significantly improve classification performance.

Benzer Tezler

  1. Görüntü işleme ve derin öğrenme yöntemleri kullanılarak ankilozan spondilit erken teşhisine yönelik karar destek sisteminin geliştirilmesi

    Development of decision support system for early detebtion of ankylosing spondylitis using image processing and deep learning methods

    EMRE ÇANAYAZ

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ

    PROF. DR. ALPARSLAN ÜNSAL

  2. Skin lesion classification with machine learning

    Makine öğrenmesi ile cilt lezyonu sınıflandırması

    ESRA SENDEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  3. Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches

    Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması

    İLKNUR AKTEMUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  4. Determination of bone age assessment

    Kemik yaşı belirlenmesinin değerlendirilmesi

    DOĞACAN TOKA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜRVET KIRCI

  5. Derin öğrenme ile histopatolojik görüntü analizi

    Histopathological image analysis using deep learning

    ŞABAN ÖZTÜRK

    Doktora

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAYRAM AKDEMİR