An automated convolutional neural network model for the detection of brain tumours using MRI images
Başlık çevirisi mevcut değil.
- Tez No: 796767
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Günümüzde beyin kanseri en acil halk sağlığı endişelerinden biridir. Bir beyin tümörü beyinde kanserli veya kanserli olmayan hasar veren hücrelerin anormal büyümesidir. Beyin tümörler dünya çapında birçok kişi için önde gelen ölüm nedenidir ve oldukça tehlikeli. Beyin tümörlerinin muayenesi genellikle manyetik cihazların kullanımını içerir. tıbbi bir görüntüleme tekniği olarak rezonans görüntüleme. Beyin ameliyatından sonra biyopsi Çıkarılan beyin tümörünün türünü belirlemek ve kategorize etmek için yapılır. Olmadan müdahaleci prosedürlere başvuran radyologlar yakında kanserleri teşhis edebilir teknolojik gelişmelerin yardımıyla, makine öğrenimi yöntemleri ve derin öğrenme En sık kullanılan tıbbi görüntüleme teknolojilerinden biri manyetiktir. insan vücudunun iç yapısının ayrıntılı bir görünümünü sağlayan rezonans görüntüleme (MRI) işler. Buna karşılık, manuel MRI analizi, profesyonellerin değerli zamanını boşa harcar. Bu olabilir Otomatik bir segmentasyon yapılırsa zamanı azaltın ve insan hatası tehlikesini ortadan kaldırın. beyin MRG stratejisi geliştirildi ve uygulandı. Uzun bir süre bilimsel Evrişimli sinir ağları (CNN'ler), sinapslar (aralarındaki bağlantılar). Araştırmamızın bir parçası olarak, CNN'lere bakıyoruz. beyin tümörlerini sınıflandırmak için nasıl kullanılabileceğini daha iyi anlayın. Sonraki biz adlı yepyeni bir alana bakarak CNN'lerin olası uygulamalarını araştırın. radyonikler. Tahmin etmek için beyin tümörlerinin şekli, dokusu ve sinyal yoğunluğu gibi hayatta kalma ve tedavi yanıtı dahil olmak üzere klinik sonuçlar. Biz bu araştırmada transfer öğrenmeye dayalı ve ayrımcı öğrenme hızına dayalı bir sınıflandırma önerdi Beyin tümörleri için teknik. Kullanılan veri seti 3000 farklı MRI görüntü örneği içerir Br35H görüntüleri olarak bilinir. Eğitim, doğrulama ve test setleri için başarıyla 95.66 algılama doğruluğu, duyarlılık, özgüllük, kesinlik ve FI puanları elde etti sırasıyla %, %96, %95,33, %95,36 ve %95,68.
Özet (Çeviri)
Today, brain cancer is one of the most pressing public health concerns. A brain tumor is an abnormal growth of cancerous or non-cancerous damaging cells in the brain. Brain tumors are a leading cause of death for many individuals worldwide and are quite dangerous. The examination of brain tumors often involves the use of magnetic resonance imaging as a medical imaging technique. Following brain surgery, a biopsy is performed to identify and categorize the kind of brain tumor removed. Without resorting to intrusive procedures, radiologists may soon be able to diagnose cancers with the assistance of technological advancements, machine learning methods, and deep learning. One of the most often utilized medical imaging technologies is magnetic resonance imaging (MRI), which provides a detailed view of the human body's internal workings. In contrast, manual MRI analysis wastes the valuable time of professionals. This might reduce time and remove the danger of human error if an automated segmentation strategy for brain MRI is developed and implemented. For a long time, the scientific community has been intrigued by methods like convolutional neural networks (CNNs), which are machine learning pipelines based on the biological process of neurons and synapses (connections between them). As part of our research, we look at CNNs to better understand how they might be used to categorize brain tumors. Next, we investigate the possible applications of CNNs by looking at a brand-new area called radionics. Such as the shape, texture and signal intensity of brain tumors to predict clinical outcomes, including survival and treatment response. In this research, we proposed a transfer learning-based and discriminative learning rate-based classification technique for brain tumors. The dataset used contains 3000 distinct MRI image samples known as Br35H images. For the training, validation, and test sets, we successfully obtained detection accuracy, sensitivity, specificity, precision, and FI scores of 95.66 %, 96 %, 95.33 %, 95.36 %, and 95.68%, respectively.
Benzer Tezler
- Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma
Image processing based plant species and diseases recognition
MUAMMER TÜRKOĞLU
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Oküler hastalıkların sınıflandırılmasında derin konvolüsyonel sinir ağı modeli
A deep convolutional neural network model for classification of ocular diseases
BÜŞRA EMİR
Doktora
Türkçe
2021
BiyoistatistikEskişehir Osmangazi ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERTUĞRUL ÇOLAK
- Derin öğrenme yöntemleri ile kemik kırıklarının x-ray görüntüleri üzerinden otomatik tespiti
Automated detection of bone fractures over x-ray images with deep learning methods
ARAN MAHDI ZEN ALABDEEN ZEN ALABDEEN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Dıyabetik retinopatinin şiddet seviyesinin tespitiiçin mobil kenar hesaplama ve derin öğrenmetopluluklarına dayanan bir yöntem
A novel framework for severity level detection of diabetic retinopathy based on mobile edge computing and deep learning ensembles
AHMED AL-KARAWI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERCAN AVŞAR
- ECG arrythmia classification using Deep Neural Network
ECG arrythmia classification using Deep Neural Network
ZAKI UR REHMAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
ASSIST. ASSOC. DR. SHAHRAM TAHERI