Tümörlü beyin hücreleri tespitinde öğrenme aktarımıyla derin sinir ağlarının uygulanması
Application of deep neural networks with transfer learning in the detection of tumor brain cells
- Tez No: 840236
- Danışmanlar: DR. ÖĞR. ÜYESİ İBRAHİM ZOR
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, tıbbi görüntü analizinde derin öğrenme modellerinin etkinliğini ve uygulanabilirliğini incelemektedir. Özellikle, çeşitli türlerde tümörleri içeren manyetik rezonans görüntülerinin (MRI) sınıflandırılmasına odaklanmaktadır. Giriş bölümünde, tıbbi görüntü analizinin önemi, yapay zekâ ve derin öğrenmenin bu alandaki yükselişi ve bu çalışmanın amacı detaylı bir şekilde ele alınmıştır. Tezde, beş popüler derin öğrenme modeli olan ResNet, EfficientNet, MobileNet, DenseNet ve InceptionV4 kullanılmıştır. Her bir model, ImageNet ağırlıklarıyla öğrenme aktarımı yöntemi kullanılarak eğitilmiş ve ImageNet ağırlıkları olmadan sıfırdan eğitilmiştir. Modellerin performansları, çeşitli tümör türlerini sınıflandırma doğruluğu üzerinden değerlendirilmiştir. Sonuçlar genel olarak tüm metrikler üzerinden değerlendirilse de sınıfların dengesiz dağılımları sebebiyle F1-skor üzerinden nihai değerlendirme yapılmıştır. InceptionV4 modelinin ImageNet ağırlıklarıyla eğitildiğinde en yüksek genel başarı oranına (%96 F1-Skor) sahip olduğu gözlemlenmektedir. Diğer modeller de benzer şekilde yüksek başarı oranlarına sahip olmakla birlikte, bazı tümör türlerini sınıflandırmada zorlanmaktadırlar. Özellikle Granuloma T2 gibi belirli sınıflarda tüm modellerin performansı düşmüştür. Tez ayrıca, öğrenme aktarımının, modellerin hızlı ve etkili bir şekilde eğitilmesine yardımcı olduğunu vurgulamaktadır. Bununla birlikte, özel veri setleri için model eğitimi gerçekleştirmenin ve hiper parametre ayarının modellerin performansını artırabileceği belirtilmiştir. Tez sonunda, klinik uygulamalar için tümör sınıflandırmasında hangi derin öğrenme modelinin veya modellerinin en uygun olduğuna dair değerli bilgiler sağlanırken, bu modellerin sınırlamalarını ve zorluklarını anlamak gelecekteki araştırmalara ve geliştirmelere yön verebilir. Bu çalışma, tıbbi görüntü analizinde derin öğrenmenin önemini vurgulamakta ve bu alanda yapılan araştırmalara katkıda bulunarak hastalar için daha doğru teşhisler ve etkili tedavilerin önünü açmaktadır.
Özet (Çeviri)
This thesis examines the effectiveness and applicability of deep learning models in medical image analysis. Specifically, it focuses on the classification of magnetic resonance images (MRI) containing tumors of various types. In the introduction section, the importance of medical image analysis, the rise of artificial intelligence and deep leaning in this field, and the objective of this study are discussed in detail. In the thesis, four popular deep learning models, namely ResNet, MobileNet, DenseNet, and InceptionV4, are utilized. Each model is trained using the transfer learning method with ImageNet weights and trained from scratch without ImageNet weights. The performance of the models is evaluated based on the accuracy of classifying various types of tumors. Although the results are generally evalueted across all metrics, the final evaluation is done based on the F1-score due to the imbalanced distribution of the classes. It is observed that the InceptionV4 model has the highest overall success rate (%96 F1-score) when trained with ImageNet weights. While other models also exhibit comparably high accuracy rates, they face challenges in classifying certain types of tumors. Notably, the performance of all models dropped in certain classes such as Granuloma T2. Additionally, the thesis emphasizes that transfer learning aids in the efficient and effective training of models. Moreover, it is noted that conducting model training for specific datasets and adjusting hyperparameters could enhance the performance of the models. Ultimately, the thesis provides valuable insights into which deep learning model or models are most suitable for tumor classification in clinical applications, while understanding the limitations and challenges of these models can guide future research and developments. This study highlights the importance of deep learning in medical image analysis and contributes to the field by paving the way for more accurate diagnoses and effective treatments for patients.
Benzer Tezler
- Görüntü işleme teknikleriyle beyin tümörlerinin tespiti ve sınıflandırma algoritmalarıyla analizi
Detection of brain tumors with image processing techniques and analysis with classification algorithms
GÖKALP ÇINARER
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU
- Evrişimli sinir ağları (ESA) ile beyin tümörü tespiti
Brain tumor detection with convolutional neural networks (CNN)
ALİ GÜLSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER
DR. ÇİĞDEM GÜNDOĞAN TÜRKER
- Medikal görüntülerde derin öğrenme yöntemlerinin başarım değerlendirmesi
Performance evaluation of deep learning methods in medical images
AYŞE MELİKE İDİNAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YONCA BAYRAKDAR YILMAZ
- Dönüştürücü model ve görüntü işleme teknikleri kullanılarak beyin mr görüntülerinin sınıflandırılması ve kurumsal katkıları
Classification of brain mri images using transformer models and image processing techniques and their institutional contributions
SENA KAHRAMAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiTeknoloji ve Bilgi Yönetimi Ana Bilim Dalı
DOÇ. MESUT TOĞAÇAR
- Erişkin glial tümörlerde ki-67 proliferasyon indeksinin konvansiyonel MRG, difüzyon MRG, SWI ve perfüzyon MRG ile öngörülmesi
Prediction of ki-67 proliferation index in adult type glial tumors using conventional MRI, diffusion MRI, SWI, and perfusion MRI findings
MUHAMMET ARİF KURŞUN
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer Tıpİstanbul Medeniyet ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. BEGÜMHAN BAYSAL