Geri Dön

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

PDF İndir

  1. Tez No: 791650
  2. Yazar: MUHAMMED ÖNAL
  3. Danışmanlar: DOÇ. DR. BUKET KAYA
  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: 2023
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Ekobilişim Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 75

Özet

Anomalileri tespit eden, insan hatasını en aza indiren, doğru sonuçlar veren ve harcanan zamanı azaltan derin öğrenme modellerinden belli ölçüde yararlanılmaktadır. Özellikle radyoloji ve nöroradyoloji, üretilen büyük miktarda veri nedeniyle derin öğrenme modellerinin uygulanması için uygun alanlardır. Görüntü işleme kurallarının anlamlı bir şekilde uygulanarak tıbbi teşhis güvenilirliğinin sağlandığı en önemli alanlardan biri de tıbbi görüntülemedir. İnme, nörogörüntülemenin klinik yönetiminde önemli rol oynayan hastalıklardan biridir. Tüm dünyada önemli bir sağlık sorunu olan inme, yetişkinlerde fiziksel, sosyal, psikolojik ve ekonomik yıkıma neden olan sakatlık ve ölümlerin en önemli nedenlerinden biridir. İnmenin erken evrelerinde beyin sağlıklı beyin fonksiyonları gibi davrandığından erken teşhis zorlaşır. Uzman radyologlar bile inmenin başlangıç aşamasındaki bulguları gözden kaçırabilirler. İnmede zaman faktörü çok değerlidir. Bu nedenle tedavilerin etkili olabilmesi için semptomların başlaması ile birlikte bu tedavilerin mümkün olan en kısa sürede uygulanması gerekmektedir. Erken tedavi hayat kurtarır. Bu nedenle inme olgularında inmenin nedeninin (iskemik, hemorajik) ne olduğunun anlaşılması, kanamanın ekarte edilmesi, enfarktüs bölgesinin belirlenmesi, etiyoloji hakkında bilgi edinilmesi ve tedavi planlamasının yapılabilmesi için görüntülemeye ihtiyaç duyulmaktadır. Kontrastsız BT, inme şüphesi olan hastaların ilk değerlendirmesinde kullanılan birincil görüntüleme protokolüdür. Hızlı inme protokollerinin ilk adımı olan kontrast madde verilmeden elde edilen Beyin BT görüntülerinde inmenin patolojik tipinin belirlenmesine yönelik derin öğrenme çalışmaları oldukça sınırlıdır. Bu tez çalışması, kontrastsız beyin BT görüntülerinden inme lezyonlarının tespiti ve teşhisi için derin öğrenme tabanlı yeni bir otomatik segmentasyon ve sınıflandırma yaklaşımının etkisini göstermeyi amaçlamaktadır. Bu tez, 2015 ile 2020 yılları arasında yayınlanan derin öğrenme tabanlı Evrişimli Sinir Ağları kullanılarak beyin BT görüntülerinden inme tespiti, inme sınıflandırması ve patolojik inme tipinin segmentasyonu için belirli kriterlere göre filtrelenmiştir. Elde edilen görüntüler hemorajik, iskemik inme türü içeren hastalar ile BT görüntü bulguları normal olan hastalardan oluşmaktadır. İnme enfarktüs alanlarını saptamak için çeşitli görüntüleme yöntemleri kullanılabilir. Sınıflandırma sonuçlarının doğruluk oranı %94,75'tir. Deneyde AUC, %98.47'lik bir başarı oranı göstermiştir. Bu, modelimizin inme bulunan beyin BT sınıfı ile normal beyin BT sınıfı arasında ayrım yapabilme olasılığının %98,47 olduğu anlamına gelmektedir. Her biri 10 saniye süren 300 epoch sonucunda, önerdiğimiz segmentasyon modelimiz %83,32'lik bir doğrulama ortalama IoU skoruna ulaşmıştır. Bu tez kapsamında, sınıflandırma ve anlamsal bölütleme problemleri için elde edilen başarılı sonuçlar neticesinde beyin felcinin tespiti için bir hekim karar destek sistemi önerilmiştir.

Özet (Çeviri)

Deep learning models, which detect anomalies, minimize human error, provide accurate results and reduce time spent, are utilized to a certain extent. Especially radiology and neuroradiology are suitable fields for the application of deep learning models due to the large amount of data generated. One of the most important areas in which medical diagnosis reliability is achieved by applying image processing rules in a meaningful way is medical imaging. Stroke is one of the diseases in the clinical management of neuroimaging plays an important role. Stroke, which is a major health problem all over the world, is one of the most important causes of disability and mortality in adults, causing physical, social, psychological, and economic destruction. Early diagnosis becomes difficult as the brain behaves like healthy brain functions in the early stages of stroke. Even specialist radiologists may overlook the findings at the initial stage of stroke. The time factor is very valuable in stroke. Therefore, in order for the treatments to be effective, these treatments should be applied as soon as possible with the onset of symptoms. Early treatment saves lives. Therefore, imaging is needed in stroke cases in order to understand what the cause of stroke (ischemic, hemorrhagic) is, to rule out bleeding, determine the infarct area, obtain information about the etiology, and plan treatment. Non-contrast CT is the primary imaging protocol used in the initial evaluation of patients with suspected stroke. Deep learning studies on determining the pathological type of stroke on Brain CT images obtained without contrast agent administration, which is the first step of rapid stroke protocols, are very limited. This thesis aims to show the impact of a deep learning-based new approach to automatic segmentation and classification for the detection and diagnosis of stroke lesions from non-contrast brain CT images is proposed. This study provides have been filtered out based on specific criteria for stroke detection, stroke classification, and segmentation of the pathological type of stroke from brain CT images using deep learning-based Convolutional Neural Networks published in the period 2015 to 2020. The obtained images consist of hemorrhagic and ischemic strokes as well as patients with normal CT image findings. Various imaging modalities can be used to detect stroke infarct areas.The accuracy rate for classification results is 94.75%. In the experiment, the AUC showed a success rate of 98.47%. It means there is a 98.47% probability that our model will be able to distinguish between the brain CT class involving stroke and the normal brain CT class. As a result of 300 epochs, each lasting 10s, our proposed segmentation model reached a validation mean IoU score of 83.32%. In this thesis, a physician decision support system is proposed for the detection of brain stroke as a result of the successful results obtained for classification and semantic segmentation problems.

Benzer Tezler

  1. Tez No

    787187

    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

    HAKAN SÖKÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DOÇ. DR. GAMZE YÜKSEL

  2. Tez No

    597223

    Classifying CT images of brain infarction with 3D CNN

    Beyin enfarktüs CT görüntülerinin 3D CNN metoduyla sınıflandırılması

    NİSANUR MÜHÜRDAROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZKAN KILIÇ

  3. Tez No

    536219

    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

    Türkçe

    2019

    İlk ve Acil YardımSağlık Bilimleri Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAVUZ YİĞİT

  4. Tez No

    493500

    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

    Türkçe

    2018

    Anestezi ve ReanimasyonCelal Bayar Üniversitesi

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    PROF. DR. MELEK ÇİVİ

  5. Tez No

    679984

    Beyin kitlelerine yönelik erken tanı ve sınıflandırma sistemi

    Early diagnosis and classification system for brain masses

    ALİ BERKAN URAL

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FIRAT HARDALAÇ

    PROF. DR. PINAR ÖZIŞIK

Geri Dön