Derin öğrenme yöntemiyle X-ışını görüntülerinden yaygın göğüs hastalıklarının tespiti
Detection of common thorax diseases from X-ray images with deep learning method
- Tez No: 689802
- Danışmanlar: PROF. DR. İBRAHİM EMİROĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin Öğrenme, Evrişimli Sinir Ağı, Göğüs Hastalıkları Tespiti, Yapay Sinir Ağlı, X-Işını Görüntüsü, Röntgen Görüntüsü, Deep Learning, Convolutional Neural Network, Chest Disease Detection, Artificial Neural Network, X-Ray Image
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 154
Özet
Son yıllarda yaşadığımız pandemi ve bu salgına yol açan Kovid-19 virüsünün özellikle akciğerlere zarar vermesi ve bu tahribatın ve hastalık tanısının x-ray ışınları görüntüleri ile yapılabilmesi nedeni ile dikkatimizi daha çok göğüs hastalıkları ve özellikle akciğer hastalıklarına ve bu hastalıkların derin öğrenme metotları ile tespit edilmesi üzerinde yoğunlaştırdık. Yaptığımız çalışmada Amerikan Ulusal Sağlık Enstitüsüne ait Göğüs röntgen görüntüleri kullanılmıştır. Bu veri seti yaygın göğüs hastalıklarından oluşmaktadır. Bu hastalıklar Atelektazi, Kardiyomegali, Konsolidasyon, Ödem, Efüzyon, Amfizem, Fibroz, İnfiltrasyon, Kütle, Nodül, Plevral Kalınlaşma, Zatürre, Fıtık ve Pnömotoraks şeklindedir. Yaptığımız çalışmada ana hatlarını bu hastalıkların oluşturduğu hastalıkların teşhisleri yapılmıştır. Amerikan Ulusal Sağlık Enstitüsünün yayınladığı veri setinde birbirinden farklı 30805 hastanın 112120 adet röntgen görüntüsü bulunmaktadır [1]. Göğüs röntgen görüntülerini okumak uzmanlar için kolay gibi görünse de arkada yatan fizyolojik ve patolojik ilkeler ile anatomik yapılar, bu işlemi yoğun bilgi gerektiren zor ve karmaşık bir problem haline getirmektedir. Bu tür faktörler, göğüs röntgeni görüntülerini okumak için tutarlı ve otomatik bir teknik geliştirmenin zorluğunu arttırırken, aynı zamanda tüm yaygın göğüs hastalıklarını da dikkate alır. Uygulamanın mobil ve düşük kapasiteli bilgisayarlarda da etkili çalışabilmesi için temel yapı olarak MobileNet ve EfficientNet gibi mimariler temel alınarak yeni bir model geliştirilmiştir. Geliştirdiğimiz modeller ile elde ettiğimiz AUC değerleri şöyledir, AMESA modelinde çalıştığımız sınıflar için elde edilen AUC değerleri, Atelektazi 0.76, Kardiyomegali 0.93, Konsolidasyon 0.70, Ödem 0.89, Efüzyon 0.85, Amfizem 0.83, Fibroz 0.80, İnfiltrasyon 0.68, Kütle 0.79, Nodül 0.67, Plevral Kalınlaşma 0.68, Zatürre 0.705, Pnömotoraks 0.870 ve Fıtık 0.69 dur. ESA 1 modelinde çalıştığımız sınıflar için elde edilen AUC değerleri ise, Atelektazi 0.779, Kardiyomegali 0.92, Konsolidasyon 0.721, Ödem 0.875, Efüzyon 0.896, Amfizem 0.77, Fibroz 0.798, İnfiltrasyon 0.712, Kütle 0.802, Nodül 0.745, Plevral Kalınlaşma 0.778, Zatürre 0.705, Pnömotoraks 0.847 ve Fıtık 0.65 tir.
Özet (Çeviri)
Since the pandemic we have lived in in recent years and the Kovid-19 virus that caused this epidemic especially damage the lungs and this damage and disease diagnosis can be made with x-ray images, we paid more attention to chest diseases and especially lung diseases and to detect these diseases with deep learning methods. we focused on. Chest X-ray images of the American National Institute of Health were used in our study. This dataset consists of common chest diseases. These diseases are Atelectasis, Cardiomegaly, Consolidation, Edema, Effusion, Emphysema, Fibrosis, Infiltration, Mass, Nodule, Pleural Thickening, Pneumonia, Hernia and Pneumothorax. In our study, the diagnoses of the diseases, the main lines of which are formed by these diseases were made. In the data set published by the American National Institute of Health, there are 112120 x-ray images of 30805 patients who are different from each other [1]. Although it may seem easy for specialists to read chest X-ray images, the underlying physiological and pathological principles and anatomical structures make this a difficult and complex problem that requires extensive knowledge. Such factors increase the difficulty of developing a consistent and automated technique for reading chest X-ray images, while also taking into account all common chest diseases. Thus, with our study, it is aimed to develop a deep learning-based computer application that will help experts interpreting these images. In order for the application to work effectively on mobile and low-capacity computers, a new model has been developed based on architectures such as MobileNet and EfficientNet. The AUC values we obtained with the models we developed are as follows: AUC values obtained for the classes we studied in the AMESA model, Atelectasis 0.76, Cardiomegaly 0.93, Consolidation 0.70, Edema 0.89, Effusion 0.85, Emphysema 0.83, Fibrosis 0.80, Infiltration 0.68, Mass 0.79, Nodule 0.67, Pleural Thickening 0.68, Pneumonia 0.705, Pneumothorax 0.870 and Hernia 0.69. The AUC values obtained for the classes we studied in the ESA 1 model are Atelectasis 0.779, Cardiomegaly 0.92, Consolidation 0.721, Edema 0.875, Effusion 0.896, Emphysema 0.77, Fibrosis 0.798, Infiltration 0.712, Mass 0.802, Nodule 0.745, Pneumothorax 0.847, Pneumonia 0.705, Pleural Thickening 0.778 and Hernia 0.65.
Benzer Tezler
- 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
- BGA malzemelerin x-ışını görüntülerindeki lehim hatalarının derin sinir ağı kullanarak tespiti
Detection of BGA solder defects from x-ray images using deep neural network
CEREN TÜRER AKDENİZ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Self-supervised deep convolutional neural network training for low-dose CT reconstruction
Düşük dozlu BT geriçatması için derin evrişimli sinir ağlarının öz denetimli eğitimi
MEHMET OZAN ÜNAL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Konik ışınlı bilgisayarlı tomografi görüntüleri üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla faringeal havayolu değerlendirilmesi
Evaluation of the pharyngeal airway with artificial intelligence algorithms improved by deep learning method on cone-beam computed tomography images
BATUHAN KULELİ
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiEskişehir Osmangazi ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. MEHMET UĞURLU
- Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik görüntüler üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla sefalometrik noktaların tespiti
Determination of cephalometric points with artificial intelligence algorithms developed by deep learning on lateral cephalometric images obtained from conic-beam computer tomography images
SEDA SALİHA KAYRAK
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiEskişehir Osmangazi ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET UĞURLU