Geri Dön

Derin öğrenme algoritmaları ile biyomedikal görüntülerden anomali tespiti

Anomaly detection through deep learning algorithms and biomedical images

PDF İndir

  1. Tez No: 667321
  2. Yazar: CANTEKİN ÇELİKHASI
  3. Danışmanlar: PROF. DR. MEHMET MELİH İNAL
  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: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

Tıbbi görüntülerdeki anomalilerin bilgisayar destekli tespiti büyük öneme sahiptir. Bu alanda yapılan birçok araştırmaya rağmen, aşılması gereken birçok problem yeni çalışmalara kapı aralamaktadır. Bu çalışmanın amacı, Derin Öğrenme yöntemlerini kullanarak medikal görüntüler üzerinden tam otomatik olarak anomali tespiti yapmak ve sınıflandırmaktır. Ayrıca bu işlemi yaparak radyologlar üzerinde biriken yükü azaltmak ve insan hatasını asgari orana indirmektir. Çalışmada MURA (Stanford X-RAY kemik görüntüsü veri seti) ve EDD2020 (Endoskopi Hastalığı Tespiti ve Bölütleme yarışması) veri seti olarak kullanılmıştır. Bu veri setleri üzerinden Tensorflow ve Darknet kütüphaneleri üzerinden Mask R-CNN, YOLOv3, ResNet ve U-Net mimarileri kullanılarak derin öğrenme modelleri eğitilmiştir. Humerus (pazu kemiği) kemiklerinin X-RAY görüntüleri üzerindeki anomalilerinin tespiti için tasarlanan 12 ResNet bloğuna sahip modelde, test verilerindeki anomali tahminleri Cohen Kappa metriği ile 0,9568 oranında başarım elde etmiştir. YOLOv3 mimarisi ile EDD2020 veri kümesi üzerine eğitilmiş modelin F1- Doğruluk Ölçümü 0,46, ortalama hassasiyetin ortalaması mAP skoru ise 0,37 oranında kalmıştır. Endoskopi görüntülerinde anomali tespiti ve bölütleme için Mask R-CNN ve U-Net mimarileri kullanılarak iki ayrı model geliştirilmiştir. Mask R-CNN'de oluşturulan modelin AP skoru 0,20; U-Net'te oluşturulan modelin AP skoru ise 0,83 oranındadır. Gerçekleştirilen tüm yöntemler, radyoloji uzmanlarının yükünü azaltarak yol gösterici bir araç olarak önerilmektedir.

Özet (Çeviri)

The computer aided detection of anomalies in medical images has great importance. Many problems, which need to be overcome, lead to new studies despite many researches in this area. The aim of this study is to detect and classify abnormalities fully automatically on medical images using Deep Learning methods. In addition, it is to reduce the burden accumulated on radiologists and to minimize human error in the process. In the study, MURA (Stanford Bone X-Ray Dataset) and EDD2020 (Endoscopy Disease Detection and Segmentation) were used as dataset. Through these datasets, deep learning models were trained using Mask R-CNN, YOLOv3, ResNet and U-Net architectures over Tensorflow and Darknet libraries. The model with 12 ResNet blocks, designed for the detection of anomalies on the X-RAY images of the Humerus bones, has achieved 0,9568 success with the Cohen Kappa metric in the test data. With the YOLOv3 architecture, the model trained on EDD2020 dataset has an F1-Score of 0,46 and a mAP score of 0,37. Two different models have been developed by using Mask R-CNN and U-Net architectures for anomaly detection and segmentation in endoscopy images. The AP score of the model created in Mask R-CNN is 0,20; and the AP score of the model created in U-Net is 0,83. All performed methods are suggested as a guiding tool by reducing the burden of radiologists.

Benzer Tezler

  1. Tez No

    882959

    Vision transformer tabanlı öz denetimli öğrenme ile histopatolojik görüntülerde mitoz hücrelerinin tespiti

    Detection of mitosis cell in histopathological images using vit-based self-supervised learning

    MUHAMMED CİHAD ARSLANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ACAR

    DOÇ. DR. ABDÜLKADİR ALBAYRAK

  2. Tez No

    877907

    Biyomedikal sinyallerin makine öğrenmesi teknikleri kullanılarak sınıflandırılması

    Classification of biomedical signals by machine learning techniques

    NARİN ASLAN

    Doktora

    Türkçe

    Türkçe

    2024

    Mekatronik MühendisliğiFırat Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GONCA ÖZMEN KOCA

    PROF. DR. ŞENGÜL DOĞAN

  3. Tez No

    783838

    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

  4. Tez No

    599395

    Detection and classification of nuclei in histopathological images

    Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması

    ROAA SAFI ABED ALAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  5. Tez No

    898091

    Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease

    Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı

    ELİF KESKİN BİLGİÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. İNCİ ZAİM GÖKBAY

    DOÇ. DR. YUSUF KAYAR

Geri Dön