Geri Dön

Derin öğrenmenin U-net modellemesi kullanılarak beyin tümörünün görüntü tabanlı segmentasyonu

Image-based segmentation of brain tumor using U-net modeling of deep learning

  1. Tez No: 829271
  2. Yazar: DUYGU IŞIK
  3. Danışmanlar: DOÇ. DR. SAVAŞ İZZETOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoloji, Biology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoloji Ana Bilim Dalı
  12. Bilim Dalı: Moleküler Biyoloji Bilim Dalı
  13. Sayfa Sayısı: 76

Özet

Beyin tümörü, çocukları ve yetişkinleri etkileyen ölümcül bir hastalıktır. Hastalık genellikle fiziksel muayene ve nörolojik muayene ile tespit edilebilir, ancak sınıflandırma için biyopsi yapılması gerekmektedir. Günümüzde, beş yıllık sağkalım oranı nedeniyle erken teşhis çok önemlidir. Erken teşhis ve sınıflandırma, tedavi planını seçmede yardımcı olabilir. Gelişen teknoloji ve yapay zeka tekniklerindeki büyük ilerlemeler, mevcut MRI görüntü verilerinin kullanılmasıyla teşhis ve sınıflandırmada büyük riskler olmadan yardımcı olabilir. Bu tez çalışması kapsamında, U-Net adı verilen ve tıbbi görüntü işlemede oldukça etkili bir öğrenme algoritması olan Derin Öğrenme modelinin kullanması amaçlanmıştır. Beyin tümörünün segmentasyonu için 259 yüksek dereceli glioma (HGG) ve 76 düşük dereceli glioma (LGG) hasta verilerinden oluşan BraTS 2019 veri seti kullanılmıştır. Bu görüntüler radyologlar tarafından incelenmektedir. Ortogonal düzlemlerin (sajital, koronal ve eksenel) her biri için U-Net mimarisi kullanılarak tahminler birleştirilmiştir. Bu çalışmada; oluşturduğumuz modelin tam tümör tahmini yapması, tümör kırpma yaparak bu tahmini daha başarılı hale getirilmesi, görüntüleri birleştirerek daha doğru tahminler yapması ve en son oluşturulan verilerden istediğimiz veriyi gözlemleyerek tahmin sonucunun radyolog segmentasyonuna yakın olması gibi hipotezlerimizin gerçekleşmesi beklenmektedir. Sonuçlar karşılaştırıldığında, radyologlar tarafından segmentasyonu saatlerce sürebilen ancak önerilen yöntemle aynı işlemi yüzlerce görüntü için saniyeler içinde yapıldığı görülmüştür. Ayrıca sonuçlara bakıldığında belirtilen hipotezlerin başarıyla gerçekleştiği gözlemlenmiştir. Bilgisayar tahmini segmentasyon görüntüsü, radyoloğun manuel olarak yaptığı segmentasyona yakın bir tahmin yaparak başarılı olması gözlemlenmesi önerilen yöntemlerin farklı tıbbi alanların segmentasyon görevlerinde uygulanmasını sağlayarak bu yazılımların belki hastanelerin radyoloji servisinde kullanılmaya başlanabilmesini teşvik edebilmektedir.

Özet (Çeviri)

A brain tumor is a fatal disease that affects children and adults. The disease is typically detected through physical and neurological examinations, but a biopsy is necessary for classification. This final step involves brain surgery, which is challenging and complex. Early detection is crucial due to the five-year survival rate. Early diagnosis and classification can assist in selecting the appropriate treatment plan. Significant advancements in technology and artificial intelligence techniques have made it possible to aid in diagnosis and classification using available MRI image data without significant risks. The BraTS 2019 dataset, consisting of 259 high-grade gliomas (HGG) and 76 low-grade gliomas (LGG) patient data, was used for brain tumor segmentation. These images are examined by radiologists. Predictions were combined using the U-Net architecture for each orthogonal plane (sagittal, coronal, and axial). When comparing the results, it was observed that the same process that could take radiologists hours for segmentation could be done in seconds for hundreds of images using the proposed method. Computer-aided segmentation images showed successful approximation to the manual segmentation performed by radiologists, encouraging the application of these proposed methods in segmentation tasks in various medical fields. This could potentially lead to the adoption of such software in the radiology services of hospitals.

Benzer Tezler

  1. Oyun karakteri üretimi için üretken modeller

    Generative models for game character generation

    FERDA GÜL AYDIN EMEKLİGİL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  2. Derin öğrenme ile cerrahi video anlama

    Surgical video understanding with deep learning

    ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU SARIKAYA

  3. Derin öğrenme ile yüksek çözünürlüklü hava görüntülerinde yolların tespit edilmesi

    Road detection in aerial images with deep learning

    FİGEN ÖNÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Ekobilişim Ana Bilim Dalı

    DOÇ. DR. GALİP AYDIN

  4. Automated segmentation of maxillary sinus from computed tomography images: A comparative analysis of U-net and its variants with pre-trained encoders

    Bilgisayarlı tomografi görüntülerinden maksiller sinüsün otomatik bölümlendirilmesi:U-net ve önceden eğitimli kodlayıcılar ile karşılaştırılmalı bir analiz

    AHMET SAİD DEDEOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERKAN ÖZBAY

    DOÇ. DR. ORHAN TUNÇ

  5. Derin öğrenme tabanlı görüntü sınıflandırma tekniklerinin kalite kontrol süreçlerinde uygulanması

    Application of deep learning based image classification techniques in quality control processes

    ZEKİ UMUT CİNDİLOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHAR ÖZYÖRÜK