Derin öğrenme modelleri kullanılarak beyin tümörlerinin sınıflandırılması
Classification of brain tumors via deep learning models
- Tez No: 691281
- Danışmanlar: PROF. DR. OSMAN EROĞUL
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: TOBB Ekonomi ve Teknoloji Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Beyin tümörleri insan sağlığını önemli derecede etkileyebilmektedir. Bu tümörlerin yanlış teşhisi durumunda, müdahale için alınacak olan kararlar ve bireyin sağlık durumu verimli şekilde belirlenememektedir. Manyetik rezonans görüntülerinin bir hekim tarafından incelenmesi, beyin tümörlerinin belirlenmesinde en yaygın kullanılan yöntemdir. Beyin tümörlerinin çeşitliliğinden ve hekimlerin incelemesi gereken birçok görüntü olduğundan ötürü, bu yöntem hem insan hatalarına yatkındır hem de fazla zaman harcanmasına neden olmaktadır. Bu çalışmada, en yaygın görülen üç beyin tümörü çeşidi olan; Gliom, Meninjiyom ve Hipofiz bezi tümörlerinin derin öğrenme modelleri kullanılarak sınıflandırılması üzerine çalışılmıştır. Çalışmada doğruluk oranının yüksek olmasına önem verilirken, modellerin eğitimi için harcanan zaman da incelenmiştir. Bu sınıflandırma çalışması ile hekimlere yardımcı olabilecek bir sistem yaratmak amaçlanmıştır. Doğruluk oranı %90'a varan bir sistem oluşturulmuştur.
Özet (Çeviri)
Brain tumors threathen human health significantly. Misdiagnosis of these tumors decrease effectiveness of decisions for intervention and patient's state of health. The conventional method to differentiate brain tumors is by the inspection of magnetic resonance images by clinicians. Since there are various types of brain tumors and there are many images that clinicians should examine, this method is both prone to human errors and causes excessive time consumption. In this study, the most common brain tumor types; Glioma, Meningioma and Pituitary are classified using deep learning models. While the main objective of this study is to have a high rate of accuracy, the time spent is also examined. The aim of this study is to ease clinicians work load and have a time efficient classification system. The system which has been built has an accuracy up to 90%.
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
- 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
- Beyin tümör tiplerinin makine öğrenmesi ve derin öğrenme tabanlı teknikler ile sınıflandırılması
The classification of brain tumor types using machine learning and deep learning based techniques
KAPLAN KAPLAN
Doktora
Türkçe
2020
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- 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
- 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