Beyin tümörlerinin MR görüntüleri üzerinden derin öğrenme yöntemiyle tespiti ve sınıflandırması
Determination and classification of brain tumors on MR images by deep learning method
- Tez No: 677884
- Danışmanlar: PROF. DR. AHMET BOZKURT, DOÇ. DR. KERİM KÜRŞAT ÇEVİK
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
Biyomedikal görüntüler üzerinden beyin tümörlerinin hızlı ve doğru tespit edilebilmesi, hastalara erken ve etkili tedavi olanağının yanı sıra iyi bir yaşam kalitesi sağlar. Son yıllarda bilgisayar donanımlarının gelişmesi ve çok sayıda ilgili veriye kolaylıkla ulaşılabilmesi yapay zekâ yöntemlerinin birçok alana uygulanmasına imkân sağlamıştır. Buna paralel olarak yapay zekânın uygulamaları olan makine öğrenmesi ve derin öğrenme teknolojileri de gelişim göstererek yaygınlaşmıştır. Derin öğrenme teknikleri günümüzde uzman doktorların biyomedikal görüntülerdeki anomalileri tespitine yardımcı olmakta ve böylece hastalıkların veya vücut içi anomalilerin daha erken, hızlı ve yüksek doğrulukla teşhisini mümkün kılmaktadır. Bu tez çalışmasında, üç tip beyin tümörünün (meninjiyom, gliom veya hipofiz) hacimlerini komşu doku ve yapılardan doğru bir şekilde bölütlemek ve bu tümörlerin doğru sınıflandırılmasını sağlamak için transfer öğrenme modelleriyle birlikte Faster R-CNN mimarisine maske (bölütleme) dalının eklenmesiyle oluşturulmuş Mask R-CNN (Maskeli B-ESA) tekniği uygulanmıştır. Mask R-CNN ile tespit, bölütleme ve sınıflandırma işlemleri tek bir çatı altında ve ilgili veri seti üzerinde görüntü işleme tekniklerine gerek duyulmadan gerçekleştirilmiştir. Çalışmamızda Mask R-CNN mimarisinin temel ağı için daha önce hem COCO hem de ImageNet veri setleri ile eğitilmiş ResNet-50 ve ResNet-101 mimarileri kullanılmıştır. Önerilen model eğitimleri COCO veya Imagenet başlangıç ağırlıkları ile başlatılmıştır. Test süreci sonunda COCO görüntüleri üzerinde önceden eğitilmiş ResNet-101 omurgasının sınıflandırma başarısının (%75) aynı veri setiyle eğitilmiş ResNet-50 omurgasının sınıflandırma başarısından (%55) daha yüksek olduğu gözlemlenmiştir. ResNet-50 omurgası ile ise ImageNet veri seti üzerindeki sınıflandırma doğruluğu (%87) aynı veri setiyle eğitilmiş ResNet-101 omurgasının sınıflandırma doğruluğuna (%37) kıyasla daha yüksek elde edilmiştir. Modellerin tümör türlerindeki bölütleme başarısını gösteren kesişim (IoU) ortalamaları meninjiyom tümörü için %83, gliom tümörü için %58, hipofiz tümörü için %75 olarak bulunmuştur. Mask R-CNN mimarisinin sağlık sektöründeki sistemlere aktarılabilir olması uzmanların beyin tümörlerini erken teşhisine yardımcı olacaktır.
Özet (Çeviri)
Rapid and accurate detection of brain tumors through biomedical images provides early and effective treatment for patients, as well as a good quality of life. In recent years, development of computer hardware and easy access to a large number of relevant data have enabled application of artificial intelligence methods to many areas. In parallel with this, machine learning and deep learning technologies, which are applications of artificial intelligence, have also developed and become widespread. Today, deep learning techniques help specialist doctors to detect anomalies in biomedical images, thus enabling earlier, faster and more accurate diagnosis of diseases or intra-body anomalies. In this thesis, the Mask R-CNN technique, which was created by adding a mask (segmentation) branch to Faster R-CNN architecture with transfer learning models, was applied to accurately segment volumes of three types of brain tumors (meningioma, glioma or pituitary) from neighboring tissues and structures as well as to ensure correct classification of these tumors. Detection, segmentation and classification procedures were carried out with Mask R-CNN under a single roof and without the need for applying image processing techniques on the related data set. In our study, ResNet-50 and ResNet-101 architectures, which were trained with both COCO and ImageNet datasets, were used for the basic network of the Mask R-CNN architecture. The proposed model trainings were started with COCO or Imagenet initial weights. At the end of the test process, it was observed that the classification success (75%) of the ResNet-101 backbone pre-trained on COCO images was higher than the classification success (55%) of the ResNet-50 backbone trained with the same data set. With the ResNet-50 backbone, the classification accuracy on the ImageNet dataset (87%) was higher than the classification accuracy (37%) of the ResNet-101 backbone trained on the same dataset. The IoU averages showing the segmentation success of the models in tumor types were found to be 83% for meningioma tumors, 58% for glioma tumors, and 75% for pituitary tumors. The portability of the Mask R-CNN architecture to systems in the healthcare industry will help specialists to detect brain tumors early.
Benzer Tezler
- Derin öğrenme yöntemleri kullanarak beyin tümörü teşhisi ve sınıflandırması
Brain tumor diagnosis and classification using deep learning methods
ABDULLAH SAKIN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT HEKİM
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Oto kodlayıcılar ve görüntü işleme teknikleri ile beyin tümörlerinin MR görüntülerinin sınıflandırılması
Classification of MR images of brain tumors with auto encoders and image processing techniques
RUAA ADIL ABDULHUSSEIN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırşehir Ahi Evran Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN KESER
- Segmentation on brain MR images by using deep learning network and 3D modelling
Derin öğrenme ile MR görüntüleri üzerinde görüntü segmentasyonu ve 3D modelleme
GÖKAY KARAYEĞEN
Doktora
İngilizce
2021
Mühendislik BilimleriBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET FEYZİ AKŞAHİN