Beyin BT görüntülerinden inme tespiti ve sınıflandırılması için gürültü azaltma yöntemleri
Noise reduction methods for the stroke detection and classification from brain computed tomography images
- Tez No: 787187
- Danışmanlar: DOÇ. DR. GAMZE YÜKSEL
- 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: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 159
Özet
Halk arasında inme ya da felç olarak bilinen hemipleji, beynin çeşitli sebeplerden dolayı herhangi bir bölümünün beslenememesi sonucu bölgedeki hücrelerin ölmesi olayına denir. Dünyada ölüm nedenleri arasında ikinci sırada yer almaktadır. Bununla birlikte DSÖ'ye göre her yıl 15 milyondan fazla insana inme tanısı konmakta, 5 milyon insan inme sebebiyle hayatını kaybetmektedir. İnmede zaman en önemli faktördür. İnme etkisinin zamana bağlı olarak artması hem hastanın sağlığı hem de uygulanabilecek tedavi çeşitliliği açısından kritik bir değer taşımaktadır. Bu sebeple inmenin en hızlı şekilde tespiti hastalığın tedavisi açısından önem arz etmektedir. Tıbbi görüntüleme yöntemleri; hastalıkların teşhisinde, tedavinin seyrinde çok önemli bir yer tutmaktadır. Hekim, radyolog veya karar verici, radyolojik görüntüler üzerinden hastalığı tespit edip, hastalığın seyri, olası tedaviler ve yaklaşımlar hakkında değerlendirmelerde bulunmaktadır. Bilgisayarlı Tomografi (BT), inme hastalığının tespitinde kullanılan tıbbi görüntüleme yöntemlerinden biridir. Tüm tıbbı görüntüleme yöntemlerinde olduğu gibi BT görüntülerinin çekimlerinde çekim kalitesini bozan kirlilik/gürültüler ortaya çıkmaktadır. BT görüntü üzerindeki bu gürültü kimi zaman radyolog ya da karar vericiyi hem hastalığın tanısında hem de ileri tetkiklerinde yanıltabilmektedir. Bu sebeple BT görüntülerinden bu gürültünün temizlenmesi, bu projenin motivasyon kaynağı olmuştur. Genel olarak inme, tıkayıcı (iskemik) ve kanamalı (hemorajik) olmak üzere ikiye ayrılır. Bu çalışmada kanamalı inme özelinde bilgisayarlı tomografi görüntülerinde gürültüyü azaltarak söz konusu medikal görüntüleri daha iyi hale getirip, görüntülerin inme var/yok sınıflandırılmasında yapılan gürültü temizleme işleminin etkisi araştırılmıştır. Çalışmada incelenen gürültü temizleme metotları; uzamsal alan filtrelerinden Medyan ve Gauss filtresi, dönüşüm alan filtrelerinden Wiener filtresi ve Dalgacık Dönüşümüdür. Çalışmada Kuzey Amerika Radyoloji Derneği (KARD) tarafından düzenlenen yarışmada paylaşılan veri setinden faydalanılmıştır. Elde edilen veri seti üzerinde Gauss gürültüsü 1, 5, 10, 25, 50, 75 ve 100 standart sapma seviyelerinde eklenerek adı geçen gürültü temizleme metotları ile temizlenmiştir. Gürültü temizleme performansını ölçmek için SSIM, PSNR ve MSE metrikleri kullanılmıştır. Çalışmada inmenin sınıflandırması için derin sinir ağı modellerinden ResNet50, DenseNet121, InceptionV3 ve AlexNet kullanılmıştır. Modellerin eğitilecek ağırlıkları, ImageNet ağırlıkları ve rassal olmak üzere iki farklı şekilde seçilmiştir. Sınıflandırma modellerinin başarımını ölçmek için Doğruluk, Kesinlik, Duyarlılık, AUC ve F1 Skoru kullanılmıştır. Gürültü temizleme ve model sınıflandırma performansları grafikler üzerinden değerlendirilmiş, gürültü temizleme ve model başarımları arasındaki ilişki ortaya konmuştur. Çalışma sonucunda; Gürültünün ve gürültü temizlemenin BT görüntülerini sınıflandırmada kullanılan derin sinir ağ modellerinin başarımı üzerindeki etkisi ortaya konmuştur. Gürültü, BT görüntüsünü bozmakta ve derin sinir ağlarının bilgi çıkarımını zorlaştırmaktadır. Derin sinir ağlarının başarımı gürültüyle olumsuz etkilenmiş ve düşmüştür. Gürültü temizleme metotları ile gürültünün etkisi azaltılmış ve gürültü temizleme süreci sınıflandırıcı modellerin başarımını gürültülü yapıya göre yükseltmiştir. Bu çalışma ile araştırmacılara, çalışmalarına gürültüyü ve gürültü temizlemeyi bir aşama olarak eklemeleri önerilmektedir. Model başarımlarını en iyi hale getirmek için gürültü temizleme aşamasında farklı gürültü temizleme yaklaşımlarının kullanılması, kullanılan metotların parametre optimizasyonunun yapılması, çalışmalarda farklı yaklaşımlar içeren derin sinir ağ modellerinin kullanılması ve gürültü temizlemenin bu derin sinir ağ modelleri ile test edilmesi önerilen diğer başlıklardır.
Özet (Çeviri)
Hemiplegia, popularly known as stroke or paralysis, is the death of cells in the region as a result of the inability to feed any part of the brain for various reasons. It is the second leading cause of death in the world. However, according to WHO, more than 15 million people are diagnosed with stroke every year, and 5 million people die due to stroke. Time is the most important factor in stroke. The time-dependent increase in the effect of stroke is critical for both the patient's health and the variety of treatments that can be applied. For this reason, the rapid detection of stroke is important for the treatment of the disease. Medical imaging methods; It has a very important place in the diagnosis of diseases and in the course of treatment. The physician, radiologist or decision maker detects the disease through radiological images and evaluates the course of the disease, possible treatments and approaches. Computed Tomography (CT) is one of the medical imaging methods used in the detection of stroke disease. As with all medical imaging methods, pollution/noises that impair the quality of the CT images occur. This noise on the CT image can sometimes mislead the radiologist or decision maker both in the diagnosis of the disease and in further examinations. For this reason, removing this noise from CT images has been the motivation for this project. In general, stroke is divided into two as occlusive (ischemic) and hemorrhagic (hemorrhagic). In this study, the effect of the noise removal process in the classification of stroke present/no stroke, by reducing the noise in the computerized tomography images and improving the medical images, was investigated in this study. The noise removal methods examined in the study; Median and Gaussian filters from spatial field filters, Wiener filter and Wavelet Transform from transform field filters. In the study, the data set shared in the competition organized by the North American Radiology Society (KARD) was used. Gaussian noise on the obtained data set was added at 1, 5, 10, 25, 50, 75 and 100 standard deviation levels and cleaned with the aforementioned noise removal methods. SSIM, PSNR and MSE metrics were used to measure noise removal performance. In the study, deep neural network models ResNet50, DenseNet121, InceptionV3 and AlexNet were used for classification of stroke. The weights of the models to be trained were selected in two different ways: ImageNet weights and random. Accuracy, Precision, Sensitivity, AUC and F1 Score were used to measure the performance of the classification models. Noise removal and model classification performances were evaluated through graphics, and the relationship between noise removal and model performances was revealed. In the results of study; The effect of noise and noise removal on the performance of deep neural network models used to classify CT images is presented. Noise distorts the CT image and complicates the information extraction of deep neural networks. The performance of deep neural networks has been negatively impacted and degraded by noise. The effect of noise has been reduced by noise removal methods and the noise removal process has increased the performance of the classifier models compared to the noisy structure. With this study, researchers are suggested to add noise and noise removal as a step in their studies. In order to optimize the model performances, the use of different noise removal approaches in the noise removal stage, the parameter optimization of the methods used, the use of deep neural network models with different approaches in the studies, and the testing of noise removal with these deep neural network models are other recommended topics.
Benzer Tezler
- Beyin BT görüntülerinden inme teşhisine yönelik derin öğrenme tabanlı hekim karar destek sistemi
Deep learning based physician decision support system for diagnosis of stroke from brain CT images
MUHAMMED ÖNAL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DOÇ. DR. BUKET KAYA
- Derin öğrenme yöntemi ile beyin görüntülerinde otomatik inme tespiti
Automatic stroke detection in brain images with deep learning method
BÜŞRA UYGUN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE DEMİRHAN
- Beyin kitlelerine yönelik erken tanı ve sınıflandırma sistemi
Early diagnosis and classification system for brain masses
ALİ BERKAN URAL
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
PROF. DR. PINAR ÖZIŞIK
- Erken dönem akut iskemik serebrovasküler hastalık tespitinde bilgisayarlı tomografi ile optik sinir kılıf çapının değerlendirilmesi
Evaluation of optic nerve sheath diameter on computerized tomography for determination of early term ischemic cerebrovascular disease
YAVUZ SELİM DİVRİKLİOĞLU
Tıpta Uzmanlık
Türkçe
2019
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ YİĞİT
- İnme, intrakranyal kanama ve post kardiyopulmoner resüsitasyon vakalarında, optik sinir kılıfı çapının prognoz ve mortalite açısından değeri
Value of optic nerve shield diameter on prognosis and mortality in stroke, intracranial hemorrhage and post cardiopulmonary resuscitation cases
SEMİH SARILAR
Tıpta Uzmanlık
Türkçe
2018
Anestezi ve ReanimasyonCelal Bayar ÜniversitesiAnesteziyoloji ve Reanimasyon Ana Bilim Dalı
PROF. DR. MELEK ÇİVİ