Geri Dön

Beyin mr görüntülerini sınıflandırarak yapay sinir ağları kullanarak beyin tümörü tespiti

Brain tumor detection using neural networks by classifying brain mri images

  1. Tez No: 793295
  2. Yazar: AHMED M A ABUSAMRA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUAMMER AKÇAY
  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: 2024
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Beyin, insan vücudu için hayati bir merkez olarak kabul edilirken, maalesef içinde beyin tümörleri gibi ciddi hastalıklar ortaya çıkabilir ve bu hastalıkların doğru teşhis edilmesi, tedavi ve sağkalım şansını artırmak için hayati öneme sahiptir. Yapay zekâ (AI) bu noktada devreye girer ve karmaşık hastalıkların sınıflandırılmasını iyileştirmek için kullanılabilir. Bu bağlamda, Derin Sinir Ağları (CNN) genel olarak görüntülerin sınıflandırılmasında büyük bir başarı elde etmiştir. CNN, görüntü işleme ve görsel verilerin anlaşılmasında önemli bir ilerleme sağlamış ve görüntülerdeki desenlerin ve nesnelerin tanınmasını geliştirebilir. Bu ağlar, bilgileri görüntülerden aşamalı olarak çıkarmak için evrişimsel ve havuzlama katmanları gibi bir dizi katmanı kullanır. Derin öğrenme teknikleri kullanarak, CNN karmaşık desenleri ve ayrıntıları tanıyabilir, nesneleri ve insanları sınıflandırabilir, nesneleri algılayabilir ve görüntülerdeki nesneleri yüksek hassasiyetle ayırabilir. Özellikle manyetik rezonans görüntüleme (MRG) kullanarak beyin tümörlerini sınıflandırmak için, CNN'lerin tıbbi görüntülerin doğru sınıflandırılması ve analizi konusundaki etkinliği kanıtlanmıştır. Bu teknoloji, görüntülerden önemli bilgileri çıkarmak ve tümörlerin türünü ve konumunu hassas bir şekilde belirlemek için kullanılabilir, bu da doktorları doğru tedaviye yönlendirmeye ve beyin tümörü hastalarının tedavi başarısını artırmaya yardımcı olabilir. CNN'lerin desenleri öğrenme ve performansı geliştirme yeteneği, birçok farklı alanda temel bir araç haline gelirken, görsel verilerin daha iyi ve daha hassas bir şekilde anlaşılması için sürekli gelişmeye ve uygulamaya devam etmektedir. Bu çalışmada, VGG16, EfficientNetB3 ve ResNet50 gibi üç farklı yapay sinir ağı modeli kullanıldı. Önceden sınıflandırılmış beyin tümörü MRG görüntülerinden oluşan büyük bir veri kümesi kullanıldı. Bu veri kümesi, modellerin performansını değerlendirmek için eğitim ve test verilerine ayrıldı. Çalışmanın sonuçları oldukça umut vericiydi, çünkü EfficientNetB3 modelinin sınıflandırma doğruluğu %99,21'e ulaşarak en iyi sonuçları elde etti. Bu, bu modelin tümörler arasındaki ayrımı istisnai bir hassasiyetle gerçekleştirebileceğini göstermektedir. Yapay zekânın beyin tümörleri sınıflandırmasında kullanılması, teşhis doğruluğunu artırabilir ve hastalar için en uygun tedaviyi yönlendirmede yardımcı olabilir. Ayrıca, beyin hastalıklarının teşhis ve tedavisini iyileştirmek için yeni tekniklerin geliştirilmesine katkıda bulunabilir. Bu çalışma, akıllı teknoloji kullanarak beyin tümörlerini sınıflandırmada parlak bir geleceğe doğru bir adım olarak kabul edilmektedir.

Özet (Çeviri)

The brain, regarded as a vital center for the human body, unfortunately may harbor serious conditions such as brain tumors, making accurate diagnosis of these diseases crucial for enhancing treatment efficacy and survival rates. Artificial intelligence (AI) intervenes at this juncture and can be employed to improve the classification of complex diseases. In this context, Convolutional Neural Networks (CNNs) have generally demonstrated significant success in image classification. CNNs have advanced image processing and comprehension of visual data, enhancing the recognition of patterns and objects within images. These networks employ a series of layers, including convolutional and pooling layers, to progressively extract information from images. Utilizing deep learning techniques, CNNs can recognize intricate patterns and details, classify objects and individuals, detect objects, and distinguish objects within images with high accuracy. Particularly in classifying brain tumors using magnetic resonance imaging (MRI), CNNs have proven effective in accurately classifying and analyzing medical images. This technology can be utilized to extract critical information from images and precisely determine the type and location of tumors, thereby assisting in guiding doctors towards appropriate treatment and improving the treatment success of brain tumor patients. As CNNs' ability to learn patterns and enhance performance becomes fundamental across various fields, continual development and implementation persist for better and more precise comprehension of visual data. In this study, three different artificial neural network models, namely VGG16, EfficientNetB3, and ResNet50, were employed. A large dataset consisting of pre-classified brain tumor MRI images was utilized. This dataset was split into training and testing data to evaluate the models' performance. The results of the study were highly promising, as the EfficientNetB3 model achieved a classification accuracy of 99.21%, demonstrating the potential for this model to distinguish tumors with exceptional precision. Utilizing artificial intelligence in the classification of brain tumors can enhance diagnostic accuracy and aid in directing patients towards the most suitable treatment. Moreover, it can contribute to the development of new techniques to improve the diagnosis and treatment of brain diseases. This study is considered a step towards a bright future in classifying brain tumors using intelligent technology.

Benzer Tezler

  1. Beyin MR görüntülerinin yapay zekâ yöntemleri ile sınıflandırılması

    Brain MR image classification using artificial intelligence

    ZİYA KEMAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiYıldız Teknik Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. ORHAN İÇELLİ

  2. Evrişimsel sinir ağı ve görü dönüştürücü mimarileri kullanılarak MR görüntülerinde beyin tümörlerinin otomatik sınıflandırılması

    Automatic classification of brain tumors in MR images using convolutional neural network and vision transformer architectures

    ÖMER MİRAÇ KÖKÇAM

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK

  3. Development of software tools for improved 1H magnetic resonance spectroscopic imaging

    İyileştirilmiş 1H manyetik rezonans spektroskopik görüntüleme için yazılım araçlarının geliştirilmesi

    SEVİM CENGİZ

    Doktora

    İngilizce

    İngilizce

    2022

    BiyomühendislikBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESİN ÖZTÜRK IŞIK

  4. Beyin MR görüntülerindeki tümörlerin sınıflandırılmasında farklı derin öğrenme ve görüntü işleme yöntemlerinin performanslarının incelenmesi

    Investigation of performance of different deep learning and image processing methods in classification of tumors in brain MR images

    ÇETİN ERÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KAZIM HANBAY

  5. Beyin MR görüntülerinde gizlilik tabanlı yaklaşım : Federe öğrenme

    Privacy-based approach to brain MRI: Federated learning

    ŞEVKET AY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EKİN EKİNCİ

    DR. ÖĞR. ÜYESİ ZEYNEP GARİP