Geri Dön

Derin öğrenme yöntemleri kullanılarak dijital mamografiden kitle bölütlemesi

Mass segmentation from digital mammograms using deep learning methods

  1. Tez No: 812895
  2. Yazar: ENDER EMRE ETİZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ VOLKAN MÜJDAT TİRYAKİ
  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: 2023
  8. Dil: Türkçe
  9. Üniversite: Siirt Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2022

    Makine MühendisliğiBatman Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SAVAŞ KOÇ

  2. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİFE KODAZ

    DR. ÖĞR. ÜYESİ SEMİH YUMUŞAK

  3. 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

    Türkçe

    2023

    Diş HekimliğiKırıkkale Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. YUSUF BAYRAKTAR

  4. 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

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGİN TARI

  5. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA KAYA