Derin öğrenme yöntemleri kullanılarak dijital mamografiden kitle bölütlemesi
Mass segmentation from digital mammograms using deep learning methods
- Tez No: 812895
- Danışmanlar: DR. ÖĞR. ÜYESİ VOLKAN MÜJDAT TİRYAKİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Meme kanseri, kadınlar arasında kanser ölümlerinin önde gelen nedenlerinden biridir. Erken teşhisin, hastaların hayatta kalma oranını artırdığı bilinmektedir. Mamografi, meme kanserinin erken teşhisini mümkün kılabilmektedir. Dijital mamografi, meme kanseri taramasında yaygın olarak kullanılan bir görüntüleme yöntemidir. Bilgisayar destekli yöntemler kullanılarak mamografilerden meme kanseri anormallikleri bulunabilmektedir. Son yıllarda, bilgisayar destekli meme kanseri teşhisinde derin öğrenme araştırmaları ivme kazanmıştır. Bu araştırmaların neticesinde bilgisayar destekli sistemler ile radyologların birlikte çalışmaları neticesinde radyologların yalnız çalışmalarına göre daha iyi performans elde edildiği görülmüştür. Kitle bölütleme, meme kanserinin saptanmasında ve teşhisinde önemli ve zor bir adımdır. Kitle bölütlemesi, mamografi görüntülerinde kitlelerin yerini ve sınırlarını tanımlamayı içeren bilgisayar destekli sistemlerin aşamalarından biridir. Bu tezde tam dijital mamografilerden derin öğrenme yöntemleri kullanılarak kitle bölütleme problemi ele alınmıştır. Derin öğrenme sistemlerinin eğitilebilmesi için ihtiyaç duyulan veri seti olarak araştırmacıların erişimine açık olan INbreast dijital mamografi veri seti kullanılmıştır. Kitle bölütlemesi için U-Net derin öğrenme modeli ve türevleri kullanılmıştır. Kitle bölütleme performansı farklı modeller için test edilmiş ve en yüksek performans gösteren model belirlenmiştir. Performans ölçümü için gerçek referans bölge ve tahmin edilen bölgenin kesişimini ölçen Dice benzerlik oranı metriği kullanılmıştır. U-net mimarisi ile sıfırdan eğitim yapılması durumunda diğer U-net türevi yöntemlerine göre daha iyi sonuç elde edilmiştir. Elde edilen performans değerleri literatür ile karşılaştırılmıştır.
Özet (Çeviri)
Breast cancer is one of the main causes of cancer deaths among women. Early diagnosis is known to increase the survival rate of patients. Mammography may enable early detection of breast cancer. Digital mammography is a commonly accepted imaging modality for breast cancer screening. Abnormalities can be found from mammograms using computer-assisted methods. In recent years, deep learning research has gained momentum in computer-aided breast cancer diagnosis. As a result of these studies, when computer aided systems and radiologists work together, the system performance is increased in comparison to the radiologists' performance. Mass segmentation is an important and challenging step in the detection and diagnosis of breast cancer. Mass segmentation is one of the important steps in computer aided systems that involve identifying the location and boundaries of masses in mammography images. In this thesis, mass segmentation from whole digital mammography is investigated by using deep learning. INbreast digital mammogram data set was used for deep learning training. U-Net and its variants were used for mass segmentation performance investigation. The mass segmentation performance was tested for different models and the model with the best performance was determined. The Dice similarity coefficient that measures the intersection of the ground truch and the predicted region was used for performance evaluation. In case of training from scratch with U-net architecture, better results were obtained than other U-net variant methods. U-net performance values were compared with the ones in the literature.
Benzer Tezler
- Derin öğrenme yöntemleri kullanılarak diyarbakır yöresi karpuzu görüntülerinden ağırlığının tahmin edilmesi
Estimating weight from diyarbakir region watermelon images using deep learning methods
HALİL KAYRA
Yüksek Lisans
Türkçe
2022
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAVAŞ KOÇ
- Doğal dil işleme ve derin öğrenme yöntemleri kullanılarak finansal verilerin analizi
Analysis of financial data using natural language processing and deep learning methods
MUSTAFA SAMİ KAÇAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HALİFE KODAZ
DR. ÖĞR. ÜYESİ SEMİH YUMUŞAK
- Dijital bitewing radyografilerde derin öğrenme yöntemi ile dişlerin numaralandırılması ve çürük tespitinin değerlendirilmesi
Evaluation of teeth numbering and caries detection with deep learning method in digital bitewing radiographs
BATURALP AYHAN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiKırıkkale ÜniversitesiRestoratif Diş Tedavisi Ana Bilim Dalı
DOÇ. DR. YUSUF BAYRAKTAR
- Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods
Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti
NECİP ENES GENGEÇ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI
- Adli delil incelemesi sürecinde derin öğrenme tabanlı çoklu ortam içeriklerinin analizi
Deep learning-based analysis of multimedia contents in forensic evidence investigation process
MUSTAFA ERİŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA KAYA