Derin öğrenme yöntemi ile beyin görüntülerinde otomatik inme tespiti
Automatic stroke detection in brain images with deep learning method
- Tez No: 823324
- Danışmanlar: DOÇ. DR. AYŞE DEMİRHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
İnme, beynin bir bölgesine kan akışının kesilmesi veya beynin bir bölgesinde kanamanın olmasıyla meydana gelir. Hızlı müdahale, beyin hasarının azaltılmasına ve iyileşme şansının artmasına yardımcı olmaktadır. Bu yüzden erken teşhis hastalar için büyük önem taşır. İnme tanısı için klinik değerlendirme önemlidir ancak radyolojik görüntüleme yöntemleri teşhis ve tedavi planlamasında daha önemli bir rol oynar. BT (bilgisayarlı tomografi) taraması, inme tanısında ve hastaların durumunun değerlendirilmesinde sıkça kullanılan bir görüntüleme yöntemidir. BT taraması, beyin dokusundaki kanama bölgelerinin konumunu, büyüklüğünü ve yayılımını belirlemek için değerli bilgiler sağlar. Bu bilgiler ise inmenin ciddiyetinin belirlenmesi ve tedavi planlamasının yapılmasında önemli bir rol oynanır. Yapılan çalışmada Türkiye'de düzenlenen Teknofest yarışması aracılığı ile elde edilen BT görüntüleri kullanılarak inme tespiti, sınıflandırması ve bölütleme için iki farklı senaryo uygulanmıştır. Sınıflandırmada ConvNeXt_Tiny, ResNet50d, EfficientNet_b0 ve ResNeXt101_32x8d modelleri kullanılarak ConvNeXt_Tiny'nin daha iyi sonuç verdiği görülmüş ve sınıflandırma işlemlerinde bu model kullanılmıştır. Bölütleme tespitinde de medikal görüntüler üzerinde başarılı olan MultiResUNet modeli kullanılmıştır. Çalışmada iki farklı senaryo izlenmiştir. Birinci senaryoda BT görüntüleri üzerinde kafatası çıkarma, normalizasyon ve görüntü çoğaltma ön işlemlerinin ardından inme var yok sınıflandırması yapılarak test görüntülerinde %98 başarı elde edilmiştir. İnme bulunan görüntüler üzerinde bölütleme yapılarak test görüntülerinde iskemik inme için %59, hemorajik inme için ise %67 Dice bölütleme başarısı elde edilmiştir. Bölütleme sonrası iskemik ve hemorajik inme sınıflandırmasında %100 başarıya ulaşılmıştır. İkinci senaryoda BT görüntülerde ön işlemler yapılarak inme var-yok, iskemik inme ve hemorajik inme şeklinde üç sınıflı sınıflandırmada test görüntüleri üzerinde %97 başarı elde edilmiştir. Sınıflandırma sonucu inmenin bölütleme için oluşturulan modelde Dice bölütleme başarısı iskemik inme için %78, hemorajik inme için ise %79 olmuştur. Çalışmalarda Python programlama dili ve sınıflandırmada PyTorch kütüphanesi, bölütlemede Tensorflow kütüphanesi ile NVIDIA GeForce RTX 3090 ekran kartı kullanılmıştır.
Özet (Çeviri)
A stroke occurs when blood flow to an area of the brain is cut off or bleeding occurs in an area of the brain. Prompt intervention helps reduce brain damage and increase the chance of recovery. Therefore, early diagnosis is of great importance for patients. Clinical evaluation is important for the diagnosis of stroke, but radiological imaging methods play a more important role in diagnosis and treatment planning. CT (computed tomography) scanning is a frequently used imaging modality in the diagnosis of stroke and in the evaluation of patients' condition. A CT scan provides valuable information for determining the location, size, and spread of bleeding sites in brain tissue. This information plays an important role in determining the severity of stroke and planning treatment. In the study, two different scenarios were applied for stroke detection, classification and segmentation using CT images obtained through the Teknofest competition held in Turkey. It was seen that ConvNeXt_Tiny gave better results by using ConvNeXt_Tiny, ResNet50d, EfficientNet_b0 and ResNeXt101_32x8d models in classification and this model was used in classification processes. MultiResUNet model, which was successful on medical images, was used for segmentation detection. Two different scenarios were followed in the study. In the first scenario, after skull extraction, normalization and image replication preprocesses on CT images, a classification of stroke or not was performed, and 98% success was achieved in the test images. Segmentation was performed on images with stroke, and Dice segmentation success was achieved in test images of 59% for ischemic stroke and 67% for hemorrhagic stroke. After segmentation, 100% success was achieved in ischemic and hemorrhagic stroke classification. In the second scenario, preprocessing was performed on CT images, and a success rate of 97% was achieved on the test images in the three-class classification as stroke present or absent, ischemic stroke and hemorrhagic stroke. In the model created for segmentation of stroke as a result of classification, the success of Dice segmentation was 78% for ischemic stroke and 79% for hemorrhagic stroke. Python programming language and PyTorch library for classification, Tensorflow library for segmentation and NVIDIA GeForce RTX 3090 graphics card were used in the studies.
Benzer Tezler
- Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti
Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images
GÖKHAN UÇAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Deep ensemble learning-based classification of stroke
Derin topluluk öğrenme tabanlı inme sınıflandırması
RUSUL ALI JABBAR ALHATEMI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN SAVAŞ
- İntrakranial hemorajilerde unet tabanlı derin sinir ağları ile beyin BT görüntülerinin otomatik segmentasyonu ve volümetrik analizi
Automatic segmentation and volumetric analysis of intracranial hemorages in brain CT images with unet-based deep neural networks
MURAT YÜCE
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET TAN CİMİLLİ
- MR görüntülerinde derin öğrenme ile beyin tümör segmentasyonu
Brain tumor segmentation with deep learning on MR images
BİLAL TAŞDEMİR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- 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