Tomografi görüntülerinden akciğer hastalıklarının tespiti amaçlı bir derin öğrenme modelinin geliştirilmesi
Development of deep learning model for detection of lung diseases from tomography images
- Tez No: 816209
- Danışmanlar: PROF. DR. ŞÜKRÜ ÖZEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 55
Özet
Sağlık Bilgi Sistemleri ülkemizde son yıllarda önemli gelişmeler göstermiştir. Bu göstergeler tıp bilişiminde Hastane Bilgi Yönetim Sistemleri (HBYS), Görüntü Arşivleme ve İletim Sistemi (PACS) ile ivme kazanmıştır. Bir hastanın hastane girişinde taburcu olana kadar tüm süreçleri dijital olarak takip edilmekte olup verilerin önemi yapay zeka çalışmalarında dikkat çekmektedir. Tıbbi görüntüleme yöntemleri üzerinden yapılan radyolojik çıkarımlar teşhis koymada önemli bir basamaktır. Tıbbi görüntüleri iletmek ve arşivleme için ulusal ve uluslararası alanda Görüntü Arşivleme ve İletim Sistemi (PACS) sistemi kullanılmaktadır. Yapılan çalışmada Türkiye'de bulunan bir hastanede Görüntü Arşivleme ve İletim Sisteminde (PACS) yer alan akciğer tomografi görüntü verileri kullanılmıştır. Akciğer üzerinde birden fazla görülen hastalıkların erken teşhisi COVID-19 pandemisi ile büyük öneme sahiptir. Çalışmada akciğer hastalıklarından pnömoni teşhisi için derin öğrenme yöntemleri ile sınıflandırma çalışması yapılmıştır. Yapılan çalışmada pnömoni teşhisinde hasta akciğerler üzerinde görülen bal peteği hücresi ve buzlu cam alanları temel alınmıştır. Görüntü sınıflandırma işleminde evrişimsel sinir ağları kullanılarak özgün bir derin öğrenme modeli kurulmuştur. Evrişimli sinir ağları mimarileri ile aynı veriler üzerinden modeller kurularak oluşturulan derin öğrenme modeli ile karşılaştırılmıştır. Literatürde akciğer x-ray görüntüleri ile akciğer tomografi görüntüleri üzerine yapılan çalışmalar incelenmiştir. Pnömoni ve sağlıklı akciğer tomografi görüntüleri eğitim, test ve validasyon olmak üzere üç sınıfa bölünmüştür. Eğitilen model eğitim verileri üzerinde %98.16, validasyon verileri üzerinde %97.57 ve modelin hiç görmediği test verileri üzerinde %95.19 başarı oranı yakalamıştır.
Özet (Çeviri)
In recent years, Health Information Systems have shown significant developments in our country. These indicators have gained momentum in medical informatics with Hospital Information Management Systems (HIS) and Picture Archiving and Communication System (PACS). From a patient's admission to the hospital until their discharge, all processes are digitally tracked, emphasizing the importance of data in artificial intelligence studies. Radiological deductions made through medical imaging methods play an essential role in diagnosis. The Picture Archiving and Communication System (PACS) is used nationally and internationally for transmitting and archiving medical images. In this study conducted at a hospital in Turkey, lung tomography image data from the Picture Archiving and Communication System (PACS) were used. Early diagnosis of multiple diseases observed on lungs has become critical during the COVID-19 pandemic. In this study, segmentation and classification work using deep learning methods were carried out for diagnosing pneumonia among lung diseases. In the study, honeycomb cells seen on diseased lungs' surfaces and ground-glass areas formed the basis for diagnosing pneumonia. In this study, an original deep learning model was developed using Convolutional Neural Networks for image classification tasks. The deep learning model created was compared with models built using architectures of convolutional neural networks on the same dataset. A review of existing literature on studies conducted with lung x-ray images and lung tomography images was conducted. Pneumonia and healthy lung tomography images were divided into three classes: training, testing, and validation. The trained model achieved an accuracy of 98.16% on the training data, 97.57% on the validation data, and 95.19% on previously unseen test data.
Benzer Tezler
- Yemek borusu kanseri tedavisinde radyoterapi uygulamasına ilişkin doz değerlendirmesi
Dose assesment of radiotherapy treatment of esophageal cancer
GİZEM DOĞANAY
Yüksek Lisans
Türkçe
2019
Nükleer Mühendislikİstanbul Teknik ÜniversitesiNükleer Araştırmalar Ana Bilim Dalı
PROF. DR. ASİYE BERİL TUĞRUL
- Sağlık sektöründe yapay zekâ temelli bir klinik karar destek sisteminin geliştirilmesi
Development of an artificial intelligence-based clinical decision support system in the healthcare system
TUBA IRMAK
Doktora
Türkçe
2023
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF KILIÇ DELİCE
- Medikal veri setleri için yeni bir aşırı öğrenme makinesi otomatik kodlayıcı tasarımı
A new extreme learning machine auto encoder design for medical datasets
BERNA ARI
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Bilgisayarlı tomografi görüntülerinden nodül tespit karar destek sistemi geliştirilmesi
Developing decision support system for nodule detection from computerized tomography images
YASİN İLHAN
Doktora
Türkçe
2024
BiyomühendislikKocaeli ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. ARİF ÖZKAN