Geri Dön

Derin öğrenme yöntemi ile beyin görüntülerinde otomatik inme tespiti

Automatic stroke detection in brain images with deep learning method

  1. Tez No: 823324
  2. Yazar: BÜŞRA UYGUN
  3. Danışmanlar: DOÇ. DR. AYŞE DEMİRHAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  2. Deep ensemble learning-based classification of stroke

    Derin topluluk öğrenme tabanlı inme sınıflandırması

    RUSUL ALI JABBAR ALHATEMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERKAN SAVAŞ

  3. 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

    Türkçe

    2023

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. AHMET TAN CİMİLLİ

  4. MR görüntülerinde derin öğrenme ile beyin tümör segmentasyonu

    Brain tumor segmentation with deep learning on MR images

    BİLAL TAŞDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. NECAATTİN BARIŞÇI

  5. 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

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA