Derin öğrenme teknikleri kullanılarak böbrekteki fonksiyonel doku birimlerinin segmentasyonu
Segmentation of functional tissue units in the kidney using deep learning techniques
- Tez No: 773568
- Danışmanlar: DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: 71
Özet
Son yıllarda böbrek hastalıkları özellikle sanayileşmiş ülkelerde giderek artmış ve insan sağlığını olumsuz şekilde etkileyen önemli hastalıklardan biri haline gelmiştir. Bu durum ise böbrek hastalıklarının erken teşhisi ve erken tedavi sürecini önemli kılmaktadır. Böbreğin işlevlerinin sağlıklı olduğunu anlamada, kan ve idrar tahlilinin yanı sıra histolojik inceleme de kullanılmaktadır. Yaygınlaşan yapay zeka teknolojileri, tıbbi görüntü analizlerinde de sıklıkla uygulanarak başarılı sonuçlar elde edilmektedir. Yapay zeka destekli teşhisler, hekimlere ve patologlara yorgunluk, dikkatsizlik, tecrübesizlik kaynaklı olası hatalardan kaçınma imkanı sağlamaktadır. Hastalık teşhislerinde başarım oranlarını arttırarak, toplum sağlığına ve erken tedaviye katkı sunmaktadır. Böbrek hastalıklarının teşhisinde segmentasyon kritik bir süreçtir. Bu çalışma ile, temelinde yapay sinir ağları olan derin öğrenme yöntemleri kullanılarak böbrek görüntülerinde filtreleme işlevinin yerine getirilmesini sağlayan glomerüllerin segmentasyonu gerçekleştirilmiştir. Ulusal Sağlık Enstitüleri'nin desteğiyle İnsan BiyoMoleküler Atlas Programı tarafından oluşturulan HuBMAP böbrek veri seti üzerinde çalışmalar yapılmıştır. Çalışmada biyomedikal görüntülerde segmentasyon başarı oranı yüksek olduğu için U-Net ile SegNet derin öğrenme mimarileri kullanılmıştır ve farklı parametreler ile performansları incelenerek, karşılaştırılmalı sonuçlar verilmiştir. Önerilen modellerin performans karşılaştırılmasında, F1 skor değerleri, U-Net için en yüksek %89,70, SegNet için %92,74 olarak alınmıştır. Ayrıca RGB (ing. red green blue) renk uzayından farklı olarak, HSV (ing. hue saturation value) ve YUV (ing. luminance chrominance1 chrominance2) renk uzaylarında kullanılan görüntülerin segmentasyon başarısına olumlu etkisinin olmadığı sonucuna varılmıştır. Alınan sonuçlara göre kullanılan yöntemler, glomerül segmentasyonunda güvenilir sonuçlar verdiği için tercih edilebilir.
Özet (Çeviri)
In recent years, kidney diseases have increased gradually, especially in industrialized countries, and have become one of the important diseases that negatively affect human health. This makes the early diagnosis and early treatment of kidney diseases important. In addition to blood and urine analysis, histological examination is also used to understand that the functions of the kidney are healthy. Widespread artificial intelligence technologies are frequently applied in medical image analysis and successful results are obtained. Artificial intelligence-assisted diagnostics provide physicians and pathologists with the opportunity to avoid possible mistakes due to fatigue, carelessness and inexperience. It contributes to public health and early treatment by increasing the success rates in disease diagnosis. Segmentation is a critical process in the diagnosis of kidney diseases. In this study, segmentation of glomeruli, which provides filtering function in kidney images, was performed by using deep learning methods, which are based on artificial neural networks. Studies were carried out on the HuBMAP kidney dataset created by the Human BioMolecular Atlas Program with the support of the National Institutes of Health. In the study, since the segmentation success rate is high in biomedical images, U-Net and SegNet deep learning architectures were used and their performances were examined with different parameters and comparative results were given. In the performance comparison of the proposed models, the highest F1 score values were taken as 89.70% for U-Net and 92.74% for SegNet. In addition, it was concluded that the images used in HSV and YUV color spaces, unlike RGB color space, do not have a positive effect on segmentation success. According to the results obtained, the methods used can be preferred because they give reliable results in glomerular segmentation.
Benzer Tezler
- The sectoral electricity load forecasting by using deep learning techniques
Derin öğrenme teknikleri kullanılarak sektörel elektrik yük tahmini
ABDURRAHMAN YAVUZDEĞER
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞÇE DEMİRDELEN
DR. ÖĞR. ÜYESİ İNAYET ÖZGE AKSU
- Derin öğrenme teknikleri kullanılarak Parkinson hastalığının konuşma sinyallerinden tespiti
Detection of Parkinson's disease from speech signals using deep learning techniques
AYŞE NUR TEKİNDOR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EDA AKMAN AYDIN
- Derin öğrenme teknikleri kullanılarak mamografi görüntüleri üzerinden meme kanseri tahmini
Breast cancer prediction from mammography images using deep learning techniques
ŞEYMA DOĞRU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDEM YAVUZ
- Derin öğrenme teknikleri kullanılarak böbrek hastalıklarının analiz edilmesi
Analyzing kidney diseases using deep learning techniques
AYBÜKE BAKKALOĞLU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER CİVELEK
- Turkish makam music composition by using deep learning techniques
Derin öğrenme teknikleri kullanılarak Türk makam müziği bestelenmesi
İSMAİL HAKKI PARLAK
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YALÇIN ÇEBİ