Braın tumor detectıon and classıfıcatıon usıng convolutıonal neural network (CNN)
Konvolüsiyonel sinir ağı (CNN) ile beyin tümörü tespiti ve sınıflandırması
- Tez No: 766520
- Danışmanlar: DR. ÖĞR. ÜYESİ OMAR DAKKAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Beyin tümörü, Dünya Sağlık Örgütü'ne (WHO) göre dünya çapında önemli ölüm nedenlerinden biridir. Karmaşıklığı ve sessiz doğası nedeniyle bu hastalığın erken teşhisi, tespit edilmesini zorlaştırmaktadır. Onu küresel olarak ciddi bir halk sağlığı durumu haline getiren klinik oluşumların ilişkili tehlikesi, kronik beyin tümörü hastalığına bağlıdır. Kronik beyin tümörü hastalığının, son dönem boşaltım organı hastalığı, damar oluşumları ve tüm nedenlere bağlı ölümlerin büyütülmüş tehlikeleri ile önemli etkileşimleri olduğu yaygın olarak kabul edilse de, bireysel hastalar hakkında hala rahat bilgi eksikliği vardır. Araştırmada şimdiye kadar kimsenin kullanmadığı bu beyin tümörü tahmin problemi için özellikle Görüntü Veri Kümesi üzerinde derin öğrenme tabanlı Evrişimsel Sinir Ağı (CNN) tekniğini uygulayacağız. CNN, günümüz toplumunda popüler bir yöntem ve çok aranan bir model sınıflandırması olmuştur. CNN tabanlı uzman sistem, girdi, nöronlar, gizli katmanlar ve çıktı ile insan beyni gibi çalışır. Bu araştırma için, sağlıklı ve sağlıksız görüntülerin vii kronik beyin tümörü görüntüleri, tüm gizli özellikleri belirlemek için iyi aydınlatma koşullarıyla toplanır. Görüntü örnekleri daha sonra Grayscale, Complement, Robert, Resize ve power Transform gibi farklı görüntü işleme yöntemlerinden geçirilir. Kronik daha sonra Evrişimsel Sinir Ağı (CNN) olarak bilinen bir doku özelliği çıkarma algoritmasından geçirilir. Özellikler Kontrast, Korelasyon, Homojenlik, Entropi, Ortalama, Standart sapma, Varyans, çarpıklık ve Basıklıktır. Özellik çıkarımından sonra veriler, kayıt işlevi gören bir elektronik tablo üzerinde düzenlenir. Son olarak, evrişimli bir sinir ağının bir gizli katmanı, 16 giriş nöronu ve iki sağlıklı veya sağlıklı çıktısı vardır. Veriler %70 eğitim, %10 doğrulama ve %20 test için olmak üzere eğitim ve test veri kümelerine bölünür. Algılama doğruluğu, yalnızca 60 çağa bağlı olarak 5.33 saniyelik yürütme süresi ile %92.78 idi. Beyin tümörü tespiti ve sınıflandırmasının karışıklık matrisi için, %97,9'luk bir doğruluk kaydedildi, %98,3'lük bir kesinlik, %98,5'lik bir geri çağırma ile hesaplandı ve bu özel araştırma çalışması için %99,7'lik bir AUC hesaplandı.
Özet (Çeviri)
Brain tumor, according to the World Health Organization (WHO) one of the significant causes of death worldwide. Due to its complexity and silent nature, early detection of this disease makes it hard to detect. The associated danger of clinical occurrences, which makes it a severe public health condition globally, is affiliated with chronic brain tumor disease. Even though it is widely accepted that chronic brain tumor disease has significant interactions with magnified hazards of end-stage excretory organ disease, vessel occurrences and all-cause mortality, there is still a lack of comfortable information on individual patients. We will apply the deep learning-based Convolutional Neural Network (CNN) technique for this brain tumor prediction problem which no one has used so far in the research, especially on Image Dataset. The CNN has been a popular method and highly sought-after model classification in today's society. The CNN based expert system works like the human brain with input, neurons, hidden layers and output. For this research, chronic brain tumor images of v healthy and unhealthy images are collected with good lighting conditions to identify all hidden features. The image samples are then passed through different image processing methods such as Grayscale, Complement, Robert, Resize and power Transform. The chronic is then passed through a texture feature extraction algorithm know as Convolutional Neural Network (CNN). The features are Contrast, Correlation, energy, Homogeneity, Entropy, Mean, Standard deviation, Variance, skewness and Kurtosis. After the feature extraction, the data are arranged on a spreadsheet, which serves as a record. Lastly, a convolutional neural network has one hidden layer, 16 input neurons, and two healthy or not outputs. The data are split into train and test datasets with 70% for training, 10% validation and 20% for testing. The detection accuracy was 92.78%, with the execution time of 5.33s only depending on 60 epochs. For the confusion matrix of brain tumor detection and classification, an accuracy of 97.9% was recorded, a precision of 98.3% was accounted with a recall of 98.5%, and an AUC of 99.7% was calculated for this dedicated research work.
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
- 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
- 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
- Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti
Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images
GÖKHAN UÇAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- An efficient application based on deep learning techniques for brain MRI recognition
Başlık çevirisi yok
ABDULLAH IBRAHIM ABDULLAH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MERVE BULUT YILGÖR