Beyin tümörlerinin derin öğrenme yaklaşımlarıyla tespiti
Detecting brain tumors using deep learning approaches
- Tez No: 634612
- Danışmanlar: PROF. DR. ŞEREF SAĞIROĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 158
Özet
Glioblastoma MultiForme (GBM) yüksek seviyeli beyin tümörleri arasında olup erken tespit edilmesi hayati öneme sahiptir. Literatürde beyin tümörlerinin derin öğrenme ile yüksek performansla tespitine yönelik çalışmalar mevcuttur ancak beyin tümörlerinin ve özellikle GBM tümörünün hızlı, etkin, daha kolay, daha düşük riskle, daha düşük maliyetle ve otomatik tespitine yönelik bütüncül çözümler bulunmamaktadır. Bu tez çalışmasında meyil artırımlı makineler, evrişimli sinir ağları ve kapsül ağları gibi güncel teknolojiler kullanılarak beyin cerrahlarının erken teşhisine olanak sağlayacak yapay zekâ çözümleri geliştirilmiştir. Bu kapsamda hem literatürde sıklıkla kullanılan bir kıyaslama veri seti hem de Gazi Brains Dataset 2020 veri setinin de temellerini oluşturan yerel bir veri seti kullanılmıştır. Yerel veri seti üzerinde yapılan deneysel çalışmalarda Xception modeliyle %98'e varan sınıflandırma oranı ile %94'e varan GBM tümörü hassasiyet oranı elde edilirken, kıyaslama veri seti üzerinde farklı tümör tiplerinin sınıflandırılması için yapılan çalışmalarda ise %91,4 ile %98,7 arasında değişen genel sınıflandırma oranları elde edilmiştir. Ayrıca, problem uzayına önerilen çözümlerimiz kapsamında literatürde –bildiğimiz kadarıyla- ilk defa bir MR görüntüsünün normal vakaya veya GBM vakasına ait olup olmadığının otomatik tespiti de gerçekleştirilerek %94'e varan GBM vakası hassasiyet oranları elde edilmiştir. Tez kapsamında mevcut modellerin probleme uyarlanarak uygulanmasının yanı sıra yeni modeller de geliştirilmiştir. Bu kapsamda Xception modelinde tam bağlantılı katman yerine Kapsül ağları dinamik yönlendirme katmanı kullanılarak XCaps olarak adlandırdığımız yeni bir model önerilmiş, bu sayede yaklaşık 23 milyon olan eğitilebilir parametre sayısı yaklaşık 21 milyona indirilerek sınıflandırma kesinliği %96,3'den %96,7'e yükseltilmiştir. Bununla birlikte Kapsül Ağları dinamik yönlendirme katmanının ağırlık güncelleme işlemi önerdiğimiz değişiklikle optimize edilebilir hale getirilmiş ve ESA-Kapsül modelinde uygulanarak sınıflandırma kesinliği %90,07'den %91,42'ye yükseltilmiştir.
Özet (Çeviri)
Early detection of Glioblastoma MultiForme (GBM) that is among high-level brain tumors is vital. There are studies in the literature for the detection of brain tumors by deep learning with high performance, but there are no holistic solutions for rapid, effective, easier, less risky, lower cost and automatic detection of brain tumors and especially GBM tumor. In this thesis, artificial intelligence solutions have been developed to enable early diagnosis of neurosurgeons by using current technologies such as Gradient Boosting Machines, Convolutional Neural Networks and Capsule Networks. In this context, both a benchmark dataset frequently used in the literature and a local dataset that constitutes the basis of the Gazi Brains Dataset 2020 dataset were used. In experimental studies conducted on the local data set, the classification rate of up to %98 with the Xception model and up to %94 GBM tumor sensitivity rate were achieved, and the general classification accuracy ranging from %91,4 to %98,7 in the studies conducted for the classification of different tumor types on the benchmark data set were obtained. In addition, within the scope of our solutions proposed to problem space, - to the best of our knowledge - for the first time in the literature, automatic detection of whether an MR image belongs to the normal case or GBM case has been achieved and GBM case sensitivity rates have been achieved up to %94. In the scope of the thesis, besides applying the existing models to the problem, new models were also developed. In this context, a new model, which was called as XCaps, was proposed by using the Capsule Networks dynamic routing layer instead of the fully connected layer in the Xception model, thereby reducing the number of trainable parameters from about 23 million to about 21 million, thus increasing the classification accuracy from %96,3 to %96,7. In addition, weight update process of the Capsule Networks dynamic routing layer was modified such that it became optimizable and the classification accuracy has been increased from %90,07 to %91,42 when applied in the CNN-Capsule model.
Benzer Tezler
- Tıbbi görüntülerden derin öğrenme yöntemi ile karaciğer ve beyin lezyonlarının bölütlenmesi
Segmentation of liver and brain lesions by deep learning approach from medical images
ONUR CAN BAYRAK
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Beyin tümörlerinin derin öğrenme ile manyetik rezonans görüntülerinden sınıflandırılması
Classification of brain tumors from magnetic resonance images with deep learning
CAHFER GÜNGEN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM POLAT
- Derin öğrenme modelleri kullanılarak beyin tümörlerinin sınıflandırılması
Classification of brain tumors via deep learning models
KAYA DAĞLI
Yüksek Lisans
Türkçe
2021
BiyomühendislikTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Comparative analysis of deep convolutional neural network models for classification of brain tumors
Beyin tümörlerinin sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi.
OZAN AKHAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN
- Beyin tümörünün derin öğrenme yaklaşımları kullanılarak tespit edilmesi
Detecting brain tumor using deep learning approaches
CAFER ASLIM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABİDİN ÇALIŞKAN