Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
- Tez No: 806425
- Danışmanlar: DR. ÖĞR. ÜYESİ MEVLÜT ERSOY, DOÇ. DR. GÜRCAN ÇETİN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Yaşadığımız yüzyılda beyin tümörlerinden kaynaklanan ölümlerin sayısı her geçen gün artmaktadır. Beyin tümörleri genellikle, radyasyona maruz kalma, zararlı yiyecek ve içeceklerin aşırı tüketilmesi, aşırı stresli durumlar ile alkol ve sigaranın aşırı olarak tüketilmesi sonucunda ortaya çıkmaktadır. Beyin tümörünün erken tespiti, bu tümöre yönelik yapılacak tedavinin erken başlamasını da hızlandıracaktır. Eğer beyin tümörüne sahip bir hasta erken tedavi sürecine girmezse hayatta kalma süresi kısalacaktır. Modern Tıp'ın getirdiği teknolojik gelişmelere bağlı olarak insan vücudunun görselleştirilmesi için kullanılan yöntemlerde artmıştır. Manyetik Rezonans (MR) görüntüleri bu anlamda en sık kullanılan yöntemlerden birisidir. MR görüntülerinin analizinin başarımı insan gözünün görme yeteneği ve doktorun deneyimleri ile sınırlıdır. Ayrıca, beyin tümörlerinin farklı şekil ve büyüklüklere sahip olması tümörlerin tespitini zorlaştıran diğer bir faktördür. Gerçekleştirilen bu tez çalışmasında, beyin tümörlerinin sınıflandırılmasında MR görüntüleri ile uzman doktor tarafından yapılan tespitlerdeki hataların en aza indirgenmesini sağlayacak bir uygulama üzerinde çalışılmıştır. Uygulama derin öğrenme modellerini kullanarak, uzman doktorların MR görüntülerindeki tümörlü bölgeleri tespit edebilmesini doğru ve hızlı bir şekilde sağlayacaktır. Bu uygulama ile birlikte ayrıca, uygulamanın tümörlü bölge tespitindeki başarım oranının arttırılmasında kullanılan Üretken Çekişmeli Ağ (GAN) ve K-Ortalamalar modelleri üzerinde çalışılmıştır. Çalışmanın başlıca amacı, özellikle tıbbi bilişim alanında veri toplamanın zor olduğu, yeterince veriye ulaşılamayan durumlarda mevcut MR görüntülerinden yeni gerçekçi sentetik veriler üreterek, mevcut modellerin başarımını arttırmaktır. Çalışmada birçok araştırmada da kullanılan BraTS'ın (Brain Tumor Segmentation) 2018 yılına ait olan veri seti seçilmiştir.. Tez çalışmasında, veri setinden elde edilen görüntülerin bölütlenmesi için literatürde başarılı sonuçlar veren derin öğrenme modelleri (U-NET, RESUNET, VGG16, VGG19) kullanılmıştır. Öncelikle, bu modellerin tümörlü bölgenin bölütlenmesi sürecindeki başarımı Dice skoru, IoU ve kesinlik gibi ölçüm değerleriyle araştırılmıştır. Çalışmanın ilerleyen aşamalarında ise, derin öğrenme modellerinin bölütleme başarı oranlarını arttırmak için MR görüntülerinin çoğaltılmasında GAN modelleri kullanılmıştır. Bu aşamada, BraTS2018 veri setinde yer alan 210 yüksek dereceli tümöre sahip (HGG) hastaya ait görüntü içerisinden seçilen 144 görüntü kaynak olarak belirlenmiştir. GAN yöntemiyle üretilen, sentetik görüntülerden uygun olan 572 MR görüntüsü seçilmiştir. Üretilen sentetik görüntülerdeki tümörlü bölgelerin otomatik olarak belirlenmesi için de K-Ortalamalar kümeleme algoritması kullanılmıştır. Üretilen MR görüntülerinin, mevcut veri setine eklenmesi sonucunda, veri setinin boyutu 782'ye çıkartılmıştır. GAN tabanlı sentetik MR görüntülerinin eklendiği veri seti kullanılarak gerçekleştirilen bölütleme işleminin sonuçları ile ilk veri setindeki görüntüler ile elde edilen sonuçlar karşılaştırıldığında hem eğitim hem de test verilerinde tümörlü bölgenin bölütleme başarımında önemli oranda bir artış gözlemlenmiştir. Çalışma sonucunda, ResNet50 modeli derin öğrenme modelleri arasında en yüksek başarımı sağlamıştır. Modelin başarım değerleri, kesinlik için 98.99%'dan 99.26%'ya, dice coefficient score için 57.33%'den 81.32%'ye ve IoU için 40.89%'den 66.86%'ya yükselmiştir.
Özet (Çeviri)
In the century we live in, the number of deaths caused by brain tumors is increasing every day. Brain tumors usually arise as a result of factors such as exposure to radiation, excessive consumption of harmful foods and beverages, excessive stressful conditions, and excessive consumption of alcohol and tobacco. Early detection of brain tumors will also accelerate the initiation of treatment for this tumor. If a patient with a brain tumor does not enter the early treatment process, their survival time will be shortened. Due to the technological advancements brought by modern medicine, the methods used for visualizing the human body have increased. Magnetic Resonance (MR) imaging is one of the most commonly used methods in this regard. The performance of analyzing MR images is limited by the visual ability of the human eye and the experience of the doctor. Additionally, the fact that brain tumors can have different shapes and sizes is another factor that makes tumor detection difficult. In this thesis study, work has been done on an application that will minimize the errors in the detections made by expert doctors using MR images for the classification of brain tumors. The application will enable expert doctors to accurately and quickly identify tumor regions in MR images using deep learning models. In addition to this application, work has also been done on Generative Adversarial Network (GAN) and K-Means models used to increase the success rate of tumor region detection in the application. The main goal of the study is to increase the performance of existing models by generating new realistic synthetic data from existing MR images, especially in cases where data collection is difficult in the field of medical informatics and sufficient data cannot be obtained. The BraTS (Brain Tumor Segmentation) dataset from 2018, which is used in many studies, has been selected for this study. Successful deep learning models (U-NET, RESUNET, VGG16, VGG19) that have yielded successful results in the literature for segmenting images obtained from the dataset were used. Firstly, the performance of these models in the segmentation process of the tumor region was investigated with measurement values such as Dice score, IoU, and accuracy. In the later stages of the study, GAN models were used to augment the MR images to increase the segmentation success rates of the deep learning models. In this stage, 144 selected images from the MR images of 210 patients with high-grade tumors (HGG) in the BraTS2018 dataset were determined as the source of images. A total of 572 suitable MR images were selected from the synthetic images generated by the GAN method. The K-Means clustering algorithm was used to automatically identify the tumor regions in the generated synthetic images. As a result of adding the generated MR images to the existing dataset, the size of the dataset was increased to 782. When the results of the segmentation process performed using the dataset with GAN-based synthetic MR images were compared with the results obtained from the images in the initial dataset, a significant increase in tumor region segmentation performance was observed in both training and test data. In conclusion, the ResNet50 model achieved the highest performance among the deep learning models. The performance values of the model increased from 98.99% to 99.26% for accuracy, from 57.33% to 81.32% for the dice coefficient score, and from 40.89% to 66.86% for IoU.
Benzer Tezler
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM HANBAY
- Detection of cancerous brain cells with machine learning
Makine öğrenimi ile kanserli beyin hücrelerinin tespiti
UYGAR CANKAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER DANIŞMAN
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Beyin mr görüntülerini sınıflandırarak yapay sinir ağları kullanarak beyin tümörü tespiti
Brain tumor detection using neural networks by classifying brain mri images
AHMED M A ABUSAMRA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUAMMER AKÇAY
- Analog görüntü işleme ile tüm devre uygulamaları
Integrated circuit applications with analog image processing
BÜŞRA HASILCI
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR