MRG de prostat lezyonlarının karekterize edilmesinde evrişimli sinir ağlarının performansı
Performance of convolution neural networks incharacterizing prostate lesions in MRI
- Tez No: 828570
- Danışmanlar: DOÇ. DR. İBRAHİM ÖNDER YENİÇERİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Prostat bezinde ortaya çıkan prostat kanseri, erkeklerde çok sık görülen bir kanser türüdür. Erken dönemde belirti vermeyen prostat kanseri genellikle rastlantısal olarak ortaya çıkmaktadır. Prostat kanseri tanısı genellikle prostat spesifik antijen (PSA) ve rektal muayene yardımıyla yapılmaktadır. Kanser tanısında medikal görüntüleme yöntemleri olarak Transrektal Ultrasonografi (TRUS), Manyetik Rezonans Görüntüleme (MRG), Bilgisayarlı Tomografi (BT) gibi yöntemler kullanılmaktadır. Bu çalışmada MRG verileri kullanılmıştır. MRG, manyetik ve radyo dalgaları kullanarak prostat bezini görüntülemektedir. Kanser teşhisi ve tedavisinde kullanılan önemli bir görüntüleme yöntemidir. Derin öğrenme, yapay sinir ağları kullanarak insan beynini taklit ederek veriden öğrenen makine öğrenme yöntemidir. Veri kümelerini iyi analiz edip, hızlı ve daha doğru şekilde sonuçlar elde etmektedir. Derin öğrenme veri kümelerinden özellik çıkarımı yaparak öğrenir. Verinin fazla olması başarı oranını arttırmaktadır. Bu çalışmada MRG dan elde edilen görüntüler ile eğitilen derin evrişimli sinir ağlarının (ESA), kötü huylu prostat kanserini, iyi huylu olanlardan ayırt etmedeki performansının test edilmesi amaçlanmıştır. PSA testi yüksek olan olgulara biyopsi öncesi prostat MRG tetkiki yapılmaktadır. Bu olguların MR görüntüleri evrişimli sinir ağının eğitilmesinde kullanılacaktır. Daha sonra eğitimde kullanılmayan test veri seti ile bu ağın iyi huylu ve kötü huylu prostat bezlerinin ayırt etmedeki başarısı test edilecektir. Çalışmada prostat kanseri sınıflandırası için derin öğrenme modellerinden AlexNet, InceptionV3, DenseNet121, ResNet50 kullanılmıştır. Yapılan çalışmada 841 malign, 2064 benign görüntü kullanılmıştır. Veri seti %90 eğitim, %10 test seti olarak ayrılmıştır. Model eğitimi sonrasında test veri seti sonuçlarına göre AUC, doğruluk, kesinlik ve F1-Skor başarım metrikleri kullanılarak sonuçlar analiz edilmiştir. Çalışma sonucunda başarım oranları dikkate alındığında %96 AUC değeri ile en başarılı model DenseNet121 olmuştur.
Özet (Çeviri)
Prostate cancer, which originates in the prostate gland, is a commonly occurring cancer type in men. Prostate cancer often does not show symptoms in its early stages and is typically detected incidentally. The diagnosis of prostate cancer is usually made through the use of prostate-specific antigen (PSA) testing and rectal examination. Medical imaging methods such as Transrectal Ultrasound (TRUS), Magnetic Resonance Imaging (MRI), and Computed Tomography (CT) are employed in the cancer diagnosis process. In this study, MRI data is used. MRI utilizes magnetic and radio waves to visualize the prostate gland and is an important imaging technique used in cancer diagnosis and treatment. Deep learning is a machine learning method that mimics the human brain by utilizing artificial neural networks to learn from data. It can analyze data sets effectively and obtain results quickly and accurately. Deep learning learns by extracting features from data sets, and having abundant data improves its success rate. The aim of this study is to test the performance of deep convolutional neural networks (CNNs) trained with MRI images in distinguishing malignant prostate glands from benign ones. Prostate MRI examination is performed before biopsy in cases with high PSA test.MRI examinations. The MR images of these cases will be used to train the CNN. Subsequently, the performance of this network in distinguishing between benign and malignant prostate glands will be tested using a separate test data set that was not used in training. In this study, deep learning models including AlexNet, InceptionV3, DenseNet121, and ResNet50 were used for prostate cancer classification. Following model training, the results of the test dataset were analyzed using performance metrics such as AUC, accuracy, precision, and F1-score. When considering the performance rates, the most successful model with a 96% AUC value was DenseNet121.
Benzer Tezler
- Prostat kanseri tanısında multiparametrik prostat MR ve histopatolojik sonuçların karşılaştırılması
Comparison of Multiparametric Prostate MRI and Histopathological Results in the Diagnosis of Prostate Cancer
AHMET BAYTOK
Tıpta Uzmanlık
Türkçe
2020
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MUSTAFA KOPLAY
- Prostat lezyonlarının karakterizasyonunda manyetik rezonans görüntülemede ıntravoxel ıncoherent motion (ıvım) sonuçlarının perfüzyon haritalaması ile karşılaştırılması
Comparison of intravoxel incoherent motion (ivim) results with perfusion mapping in magnetic resonance imaging in the characterization of prostate lesions
FURKAN BULUT
Tıpta Uzmanlık
Türkçe
2018
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MERVE GÜLBİZ KARTAL
- Prostat malign lezyonlarının multiparametrik manyetik rezonans görüntüleme'de farmakokinetik analizi ve gleason skoru ile korelasyonu
Pharmacokinetic analysis of prostate malignant lesions on multiparametric magnetic resonance imaging and correlation with gleason score
MUHAMMED SONKAYA
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpVan Yüzüncü Yıl ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. İLYAS DÜNDAR
- Klinik anlamlı prostat kanseri tanısında hızlı MRG ve multiparametrik MRG tetkiklerinin tanısal performanslarının karşılaştırılması
Comparison of fast MRİ and multiparametric MRI protocols in the diagnosis of clinically significant prostate cancer
KADİR HAN ALVER
Tıpta Uzmanlık
Türkçe
2021
Radyoloji ve Nükleer TıpPamukkale ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET BAKİ YAĞCI
- Prostat biyopsisi için aday hastalarda, yapay zekanın multiparametrik prostat manyetik rezonans görüntülemedeki pı-rads 3 lezyon için maligniteyi öngörmedeki rolü
The role of artificial intelligence in prediction of malignity for pi-rads 3 lesion in multiparametric prostate magnetic resonance imaging in candidate patients for prostate biopsy
ABDYRAZAK METINOV
Tıpta Uzmanlık
Türkçe
2023
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. CAVİT CEYLAN