Böbrek kistlerinin makine öğrenmesi yardımıyla araştırılması
Investigation of kidney cyst with machine learning
- Tez No: 813885
- Danışmanlar: PROF. DR. OSMAN YILDIRIM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Arel Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 117
Özet
Böbrek kisti, böbrek içinde veya etrafında oluşabilir. Böbrek yetmezliği ve hipertansiyona sebep olabileceği gibi organın işlevini yerine getirememesine de neden olabilir. Bu çalışmada böbrek görüntülerine median, ikili, toplam varyasyon, gaussian, kenar belirleme ve sobel filtreleri uygulanarak kist görüntülerde tespit edilmiştir. Bilgisayarlı tomografiden alınan karın bölgesi görüntüleri bölütleme yapıldı. Bu bölütleme çalışması ile dokular ayrıştırıldı. Ayrıştırılan görüntülerden böbrek ve kistli böbrekler anlamlı bölütleme yapılarak ayrıştırıldı. Makine öğrenmesinin önemi tıbbi görüntülemede her geçen gün artmaktadır. Yapılan çalışmada Unet, Rastgele Orman Algoritması, Kernel Destek Vektor Makineleri ve Lojistik Regresyon kullanılmıştır. Elde edilen sonuçlar Unet %92, Rastgele Orman Algoritması %99,2, Kernel Destek Vektor Makineleri %98,11, Lojistik Regresyon %96,49'dur.
Özet (Çeviri)
A kidney cyst can form in or around the kidney. It can cause kidney failure and hypertension, as well as cause the organ to fail to function. In this study, cyst images were detected by applying median, binary, total variation, gaussian, edge detection and Sobel filters to kidney images. Abdominal images taken from computed tomography were segmented. Tissues were separated by this segmentation study. Kidneys and kidneys with cysts were separated from the separated images by meaningful segmentation. The importance of machine learning is increasing day by day in medical imaging. In the study, Unet, Random Forest Algorithm, Kernel Support Vector Machines and Logistic Regression were used. The results obtained are Unet 92%, Random Forest Algorithm 99.2%, Kernel Support Vector Machines 98,11%, Logistic Regression 96,49%.
Benzer Tezler
- Predicting kidney tumor subtype from CT images using radiomics and clinical features
Radyomik ve klinik özellikler kullanılarak BT görüntülerinden böbrek tümörü tipinin belirlenmesi
DUYGU ŞİRİN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. ALBERT GÜVENİŞ
- Kemik, böbrek, karaciğer ve kalp görüntülemede kullanılan radyofarmasötik kitler üzerinde yapılan kalite kontroller
Quality control studies for radiopharmaceutical kits used for bone, kidney, liver and heart imaging
ERKAN ÜNLENEN
Yüksek Lisans
Türkçe
1998
Eczacılık ve FarmakolojiHacettepe ÜniversitesiRadyofarmasi Ana Bilim Dalı
PROF. DR. A. YEKTA ÖZER
- Türkiye' de kültür deniz balıklarında streptokok enfeksiyonlarının farklı diyagnostik tekniklerle tespiti
Determination of streptococcal infections in cultured marine fish by different diagnostic tecniques in Turkey
ÇİĞDEM ÜRKÜ
Doktora
Türkçe
2017
Histoloji ve Embriyolojiİstanbul ÜniversitesiSu Ürünleri Yetiştiriciliği Ana Bilim Dalı
PROF. DR. GÜLŞEN TİMUR
- Çocuklarda böbrek kistlerinin değerlendirilmesi
Evaluation of kidney cyst in children
PINAR GÖNÜLSÜZ KILIÇ
Tıpta Uzmanlık
Türkçe
2022
Çocuk Sağlığı ve HastalıklarıAdnan Menderes ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. FERAH SÖNMEZ