Geri Dön

Derin öğrenme modelleri kullanılarak beyin ve beyne etki eden bazı tümörlerin sınıflandırılması

Classification using deep learning models for brain tumors and some tumors affecting the brain

  1. Tez No: 720611
  2. Yazar: BEYZA NUR TÜZÜN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DURMUŞ ÖZDEMİR
  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: 2022
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 73

Özet

Bu çalışmada, MRI (Magnetic Resonance Imaging) görüntüleri kullanılarak beyin tümörü hastalığının erken teşhisini belirlemek için güncel (state of art) derin öğrenme modellerinin karşılaştırmalı analizinin sunulması amaçlanmıştır. Bu amaçla Googlenet, Mobilenetv2, InceptionV3 ve Efficientnet-b0 derin öğrenme modelleri Matlab platformunda kodlanmış ve beyin tümörü hastalığının tespiti ve sınıflandırılması için kullanılmıştır. Sınıflandırma işlemi, yaygın olarak görülen Glioma, Meningioma ve Pituitary (Hipofiz) beyin tümörü tipleri üzerinde yürütülmüştür. Kullanılan veri seti kaggle platformunda topluma açık bir şekilde paylaşılan ve 4 ayrı sınıfta toplamda 7022 beyin MRI görüntüsü içermektedir. Çalışmada verilerin %78'i eğitim veri seti, %22 si ise test verisi olarak kullanılmıştır. Veri seti önişleme (kırpma, gri tonlama vb.) tabi tutularak, ayrıca modeller fine tuning yapılarak uygun parametre değerleri kullanılmıştır. Karşılaştırmasını yaptığımız derin öğrenme modellerinin istatistiksel analiz sonuçları değerlendirildiğinde test verileri en iyi doğruluk oranı başarı sırasına göre Efficientnet-b0 (%99,54), InceptionV3 (%99,47), Mobilenetv2 (%98,93) ve GoogleNet (%98,25) sonuçları elde edilmiştir. Çalışma sonuçlarının tıp hekimlerine ve ilgili alandaki araştırmacılara karar verme süreçlerinde öneri sunmasının faydalı olabileceği öngörülmektedir. Özellikle hastalığın erken teşhisi, teşhis süresinin kısalması ve ayrıca insan kaynaklı hataları en aza indirmesi bakımından bazı avantajlar sunmaktadır.

Özet (Çeviri)

This study aims to present a comparative analysis of existing (state-of-the-art) deep learning models to identify early detection of brain tumor disease using MRI (Magnetic Resonance Imaging) images. For this purpose, GoogleNet, Mobilenetv2, InceptionV3, and Efficientnet-b0 deep learning models were coded on the Matlab platform and used to detect and classify brain tumor disease. Classification has been carried out on the common Glioma, Meningioma, and Pituitary brain tumors. The dataset used includes a total of 7022 brain MRI images in 4 different classes, which are shared publicly on the kaggle platform. In the study, 78% of the data was used as training dataset and 22% as test data. The dataset was subjected to preprocessing (cropping, grayscale, etc.), and the models were fine-tuned, and appropriate parameter values were used. When the statistical analysis results of the deep learning models we compared were evaluated, the results of Efficientnet-b0 (%99,54), InceptionV3 (%99,47), Mobilenetv2 (%98,93), and GoogleNet (%98,25) were obtained, in the order of success. It is predicted that the study results may be useful to offer suggestions to medical doctors and researchers in the relevant field in their decision-making processes. In particular, it offers some advantages in terms of early diagnosis of the disease, shortening the diagnosis time, and minimizing human-induced errors.

Benzer Tezler

  1. Brain-inspired cortical-coding algorithm for multimedia processing

    Multimedya işlemek için beyinden esinlenilmiş kortikal kodlama algoritması

    AHMET EMİN ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  2. Derin öğrenme mimarileri ile MR taramalarından omuriliğin otomatik bölütlenmesi ve MS lezyonlarının ayırıcı tanısı

    Automatic segmentation of the spinal cord from MR scans and differential diagnosis of MS lesions with deep learning architectures

    RUKİYE POLATTİMUR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  3. Classification of the motor EEG signals by using deep neural networks

    Derin sinir ağları kullanarak motor EEG sinyallerinin sınıflandırılması

    LEYLA ABILZADE

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. TAMER ÖLMEZ

  4. Supervised and unsupervised models of brain networks for brain decoding

    Beyin durumu tanıma için gözetimli ve gözetimsiz olarak oluşturulan beyin ağları

    ABDULLAH N.A. ALCHIHABI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATOŞ TUNAY YARMAN VURAL

  5. İş süreçlerinde insan görüsünü derin öğrenme ile destekleme

    Supporting human vision with deep learning on business process

    ALTUĞ YİĞİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. CEM TAŞKIN