A medical decision making system for brain tumor identification from magnetic resonance images using machine learning techniques
Makine öğrenimi tekniklerini kullanarak manyetik rezonans görüntülerinden beyin tümörünün belirlenmesi için tıbbi karar verme sistemi
- Tez No: 658292
- Danışmanlar: PROF. DR. TÜLAY YILDIRIM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Tıbbi karar verme sistemi, beyin görüntüsü sınıflandırması, beyin tümörü segmentasyonu, kümeleme, görüntü i¸sleme, makine ögrenimi, kar¸sılıklı bilgi (MI), temel bile¸sen analizi (PCA), tekil deger ayrı¸stırma (SVD), destek vektör makinesi (SVM), yapay sinir agı (YSA), artık sinir a ˘ gı (RNN, Medical decision making system, brain image classification, brain tumor segmentation, clustering, image processing, machine learning, mutual information (MI), principal component analysis (PCA), singular value decomposition (SVD), support vector machine (SVM), artificial neural network (ANN), residual neural network (RNN
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 121
Özet
Beyin tümörü, hücrelerin anormal ve kontrolsüz büyümesidir. Erken beyin tümörü tespiti, hayat kurtarmak için çok önemlidir. Aslında, beyin tümörlerinin te¸shis edilmesi zordur, özel ekipman ve egitim gerektirir. Tıbbi bir karar verme sistemi, bir sınıflandırma sistemi tarafından üretilen verileri görselle¸stirerek te¸shis sürecini kolayla¸stırır ve doktorların dogru tanı koymasına olanak tanır. Bu çalı¸sma, MRG'deki beyin tümörü derecelerini 3 sınıfa ayırmak ve sınıflandırmak için otomatik bir sistem önermektedir: normal, LGG ve HGG. Önerilen sistemde LDI-Ortalamalar algoritması (Yogunluk Ortalamalarında Yerel Fark algoritması) adlı yeni bir segmentasyon yöntemi kullanılmı¸stır. LDI-Ortalamalar, bir pikselin yogunluk seviyesinin digerinden farklı olmasına dayanan bir kümeleme tekni ˘ gidir. Ayrıca, MI ˘ + SVD (Kar¸sılıklı Bilgi + Tekil Deger Ayrı¸sımı) olarak adlandırılan alt anlamlı öznitelikler kümesinin seçilmesinde yeni bir yakla¸sım kullanılır. Saglam özellikler daha sonra ˘ sınıflandırıcıya girdi olarak kullanılır. Basitle¸stirilmi¸s RNN adı verilen yeni ag yapısı da bu çalı¸smada sunulmaktadır. Önerilen otomatik sistemin altı a¸saması vardır; ön i¸sleme, LDI-Ortalamalar ile kümeleme, özellik çıkarma, özellik seçimi ve MI + SVD ile boyut küçültme ve basitle¸stirilmi¸s RNN ile sınıflandırma. Segmentasyon a¸samasının sonundaki deneysel bulgular, elle etiketlenmi¸s görüntülerle yakla¸sık 99,02%'lik bir e¸sle¸sme sunarak güvenilir bir beyin tümörü segmentasyon süreci ile sonuçlanmı¸stır. Ek olarak, orijinal özellik uzayına ve standart PCA ve SVD boyut indirgeme yöntemlerine kıyasla; MI+SVD algoritması, beyin tümörlerinin tatmin edici bir derecelendirmesini elde etmek için sınıflandırma sürecini iyile¸stirmede kesin ve daha verimli bir sonuç sunmu¸stur. Ayrıca, basitle¸stirilmi¸s bir RNN'yi sınıflandırıcı olarak kullanmak, önerilen sisteme yüksek düzeyde etkililik saglar. Yayınlanmı¸s diger çalı¸smalarla kar¸sıla¸stırıldı ˘ gında, önerilen sistemin beyin tümörü derecelerinin belirlenmesi için anlamlı bir gerçek zamanlı tahmin sunmak için çok yeterli oldugu bulunmu¸stur.
Özet (Çeviri)
Brain tumor is an abnormal and uncontrolled growth of the cells. Early brain tumor detection is essential to save lives. In fact, brain tumors are difficult to diagnose, requiring specialized equipment and training. A medical decision making system facilitates diagnostic process by visualizing the data produced by a classification system, allowing doctors to make a right diagnosis. This study proposes an automated system for segmentation and classification the brain tumor grades in MRI into three classes: normal, LGG and HGG. In the proposed system, a new segmentation method named LDI-Means algorithm (Local Difference in Intensity-Means algorithm) is used. It is a clustering technique based on the difference in the intensity level of one pixel than another. Furthermore, a new approach in selecting the sub-significant set of attributes is used, denoted MI+SVD (Mutual Information + Singular Value Decomposition). The robust features are later used as an input to the classifier. The new network structure called simplified RNN (Residual Neural Network) is also offered by this study. The proposed automated system has six stages; the pre-processing, clustering by LDI-Means, feature extraction, feature selection and dimension reduction by MI+SVD, and classification by simplified RNN. The experimental findings at the end of the segmentation stage presented an approximate match of 99.02% with the hand-labeled images. In addition, in comparison to the original feature space and two standard dimension reduction methods, PCA and SVD, the MI+SVD algorithm offered a more efficient result for improving the classification process to achieve a satisfied grading of brain tumors. Furthermore, using a simplified RNN as a classifier provides a high level of effectiveness to the proposed system. In comparison with other published studies, it is found that the proposed system is very sufficient to offer a meaningful real-time estimation for identification the brain tumor grades.
Benzer Tezler
- Beyin tümörlerinin ileri görüntü işleme ve örüntü tanıma teknikleri kullanılarak bilgisayar destekli tespiti
Computer-aided detection of brain tumors using advanced image processing and pattern recognition techniques
SEDA KAZDAL
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. BUKET DOĞAN
PROF. DR. ALİ YILMAZ ÇAMURCU
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms
Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması
YEZI ALI KADHIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. ALOK MISHRA
PROF. DR. REŞAT ÖZGÜR DORUK
- Image segmentation and classification based on CNN model to detect brain tumor
Başlık çevirisi yok
NOOR S. SALEH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Okan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SHADİ M S HİLLES
- Derin öğrenme temelli medikal görüntü analizinde sığ ve derin özniteliklerin tümleştirilmesi
Fusion of shallow and deep features in deep learning-based medical image analysis
COŞKU ÖKSÜZ
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZHAN URHAN
PROF. DR. MEHMET KEMAL GÜLLÜ