Geri Dön

Deep learning for pneumonia diagnosis: A comparative study and decision support interface implementation

Zatürre tanısı için derin öğrenme: Karşılaştırmalı bir çalışma ve karar destek arayüzü uygulaması

PDF İndir

  1. Tez No: 801959
  2. Yazar: SENA GÖKSU AĞACA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ELİF ÇİĞDEM KELEŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yeditepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
  13. Sayfa Sayısı: 145

Özet

Zatürre, global ölçekte yüksek can kayıplarına neden olan önemli bir toplumsal sağlık problemidir. Zatürre için kesin tıbbi teşhis için akciğer X-ray görüntüleri bir doktor tarafından incelenmelidir. Doktorların teşhis süreçlerinin verimliliğini maksimize etmek amacıyla, bu çalışma göğüs radyografi verilerini kullanarak derin öğrenme tekniklerinden biri olan konvolüsyonel sinir ağı (CNN) mimarisinden faydalanıldı. Çalışmanın ilk aşamasında, InceptionV3, VGG16, VGG19, ResNet50, ResNet50V2, EfficientNet ve MobileNetV2 olmak üzere yedi farklı önceden eğitilmiş transfer öğrenme modeli kullanıldı. Bu modeller, Ulusal Sağlık Enstitüleri'nin (NIH) 30.000'den fazla anonimleştirilmiş göğüs X-ray görüntüsü içeren bir veri setinde test edildi. Bu modeller arasında VGG-19 modeli en yüksek sonuca sahiptir. Model sonuçları validasyon AUC:(0.91), F1-skoru: (0.77), Precision:(0.77), Recall: (0.77) olarak çıkmıştır. Modelin güvenilirliğini artırmak ve çocuklarda zatürre insidansının daha yüksek olması göz önüne alındığında, NIH Genel Depo Ekosistem İnisiyatifi'nden elde edilen 1-5 yaş arası 5.840 çocuğun verileri de incelendi. Aynı VGG19 modeli, çocuklardaki zatürre veri setine uygulandı ve Validasyon AUC:(0.90), Precision:(0.91), Recall:(0.985) ve F1 skoru:(0.89) sonuçları elde edildi. Her iki veri setini birleştirmeden önce, DICOM veri setinde hem yüksek kaliteli hem de düşük kaliteli görüntülerin bulunması nedeniyle düşük kaliteli görüntüler kümeleme algoritmaları kullanılarak ayrıştırıldı. Daha kapsayıcı ve yüksek kaliteli bir model oluşturmak için yalnızca yüksek kaliteli DICOM verileri ve çocukların göğüs röntgen verileri ile birleştirildi. Birleştirilmiş nihai veri seti için veri artırma gibi çeşitli teknikler uygulanıp, VGG-19 modeli oluşturuldu. Nihai model sonucu Validasyon AUC:(0.91), Precision:(0.89), Recall: (0.88) ve F1-skoru: (0.88) oldu.Bu çalışma, Python dili ve Google Colab aracı kullanılarak gerçekleştirildi. Ayrıca nihai modelle, kullanıcıların gerçek zamanlı göğüs X-Ray verilerini png formatında yükleyip zatürre olup olmadıklarını test etmelerine olanak tanıyan bir kullanıcı dostu arayüz bulunmaktadır. Sonuç olarak, derin öğrenme yöntemlerinin doktorların zatürre teşhisinde zaman kazandıracağı belirlenmiştir.

Özet (Çeviri)

Pneumonia is a significant public health issue worldwide, leading to high mortality rates. For a definitive medical diagnosis of pneumonia, lung X-ray images must be examined by a physician. To maximize the efficiency of doctors' diagnostic processes, this study leveraged convolutional neural network (CNN) architecture from deep learning techniques using chest radiography data. In the first phase of this study, seven different pre-trained transfer learning models were used: InceptionV3, VGG16, VGG19, ResNet50, ResNet50V2, Efficient Net, and MobileNetV2, using a dataset of more than 30,000 anonymized chest X-ray images from the National Institutes of Health (NIH). Among these models, VGG-19 has the highest result and obtains the following result: Validation AUC (0.91), F1-score (0.77), Precision: (0.77), Recall: (0.77). To enhance the model's robustness and consider the higher incidence of pneumonia in children, data from 5,840 children aged 1 to 5 years from NIH's Generalist Repository Ecosystem Initiative (GREI) were also examined. The same VGG19 model was applied to the pneumonia dataset for children, resulting in a validation AUC:(0.90), precision:(0.91), recall: (0.985), and f1-score: (0.89). Before combining both datasets, due to the presence of high-quality and low-quality images in the DICOM dataset, low-quality images were segregated using clustering algorithms. To create a more comprehensive and high-quality model, only the high-quality DICOM data is combined with the children's X-ray image data, and the VGG-19 model is applied. Various techniques like data augmentation are applied to improve the model's performance and its generalization ability to new data for combined datasets. Final model result was validation AUC:(0.91), Precision:(0.89), Recall: (0.88) and f1-score: (0.88). This study was conducted using the Python language on the“Google Colab”tool. Additionally, with the final model, there is a user-friendly interface that allows users to upload real-time chest X-ray data in PNG format and test whether they have pneumonia or not. The interface created using this method is expected to contribute to this purpose. In conclusion, it has been determined that deep learning methods will save doctors time in diagnosing pneumonia, and according to the results of this study, the VGG19 model is a more successful model for pneumonia detection.

Benzer Tezler

  1. Tez No

    842068

    Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

    Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

    MERVE BEGÜM TERZİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  2. Tez No

    784930

    Çocuklukta zatürre hastalığının göğüs röntgen görüntülerinden derin öğrenme ile tespiti

    Deep learning for childhood pneumonia detection from chest X-ray images

    NAGİHAN ÇEKİÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEHRA KARAPINAR ŞENTÜRK

  3. Tez No

    813169

    Tıbbi görüntü işlemede kapsül ağlar

    Capsule networks in medical image processing

    AHMET SOLAK

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAHİME CEYLAN

  4. Tez No

    870325

    Fibrotik akciğer hastalıklarında olağan interstisyel pnömoni paterninin tanısı ve takibinde derin öğrenme algoritmalarının kullanımı

    Utilization of deep learning algorithms in the diagnosis and monitoring of usual interstitial pneumonia pattern in fibrotic lung diseases

    GÜLFEM ERDOĞDU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Göğüs Hastalıklarıİstanbul Üniversitesi

    Göğüs Hastalıkları Ana Bilim Dalı

    PROF. DR. ZÜLEYHA BİNGÖL

  5. Tez No

    816209

    Tomografi görüntülerinden akciğer hastalıklarının tespiti amaçlı bir derin öğrenme modelinin geliştirilmesi

    Development of deep learning model for detection of lung diseases from tomography images

    GÖKHAN KARABAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiAkdeniz Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞÜKRÜ ÖZEN

Geri Dön