Beyin görüntülerindeki gürültülerin derin öğrenme kullanılarak giderilmesi
Noise removal in brain images using deep learning
- Tez No: 842911
- Danışmanlar: DR. ÖĞR. ÜYESİ RUKİYE KARAKIŞ
- 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: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 57
Özet
Manyetik Rezonans Görüntüleme (MRG) beyin dokularının incelenmesinde, hastalık tanısının konulmasında ve tedavisinin yapılmasında yaygın olarak kullanılan tıbbi görüntüleme tekniğidir. MRG görüntülerinde cihazdan kaynaklanan, çekim ortamından, hasta hareketinden ya da manyetik ortamın etkisiyle çeşitli gürültüler oluşabilmektedir. Bu gürültüler, doğru tanı ve tedavinin ortaya konmasını ve görüntünün uzmanlarca düzgün yorumlanmasını etkilemektedir. Bu sebeple tezde, MRG görüntülerinde bulunan Rician gürültünün giderilmesi amaçlanmıştır. Tez çalışmasında, yoğun ve artık bağlantılar kullanılarak iyileştirilen UNet mimarisine benzeyen, M-UNet+ResNet ve M-UNet+DenseNet olarak isimlendirilen iki 3D otokodlayıcı model geliştirilmiştir. Önerilen modeller IXI veri setinde bulunan T1 ve T2 ağırlıklı 3D MRG görüntülerine eklenen farklı seviyelerdeki Rician gürültüsü için eğitilmiştir ve modellerin performansı test verileri için tepe sinyal-gürültü oranı (PSNR: Peak Signal-to-Noise Ratio), yapısal benzerlik (SSIM: Structural Similarity Index Measure) ve ortalama mutlak hata (MAE: Mean Absolute Error) metrikleri ile ölçülmüştür. %15 gürültü oranı için IXI-HH-T1 verisetinde M-UNet+ResNet modelinin hesapladığı PSNR, SSIM ve MAE ortalama değerleri sırasıyla 37,8426 desibel (dB), 0,9017 ve 0,0106'tür. M-UNet+DenseNet modeli bu değerleri 38,0546 dB, 0,9055 ve 0,0103 olarak hesaplamıştır. IXI-HH-T1 verisetinde, M-UNet+ResNet ve M-UNet+DenseNet modelleri PSNR, SSIM ve MAE ortalama değerlerini sırasıyla 41,7436 dB, 0,901 ve 0,0099 ve 40,6320 dB, 0,8785 ve 0,0118 olarak bulmuştur. Artık bağlantılarla zenginleştirilen M-UNet+ResNet modeli literatürle yarışır yüksek performans değerleri elde etmiştir. Elde edilen sonuçlar, gürültü giderilmesinde artık bağlantıların faydalı olduğunu göstermiştir.
Özet (Çeviri)
Magnetic Resonance Imaging (MRI) is a widely used medical imaging technique in examining brain tissues, diagnosis, and treatment of diseases. Various noises may occur in MRI images due to the device, the imaging environment, patient motion, or the effect of the magnetic field. These noises affect the accurate diagnosis and treatment and the proper image interpretation by experts. Therefore, this thesis aims to denoise Rician noise in MRI images. In this thesis, two 3D autoencoder models, named M-UNet+ResNet and M-UNet+DenseNet, which are similar to the UNet architecture improved by using dense and residual connections, are developed. The proposed models were trained for different levels of Rician noise added to the T1 and T2 weighted 3D MRI images in the IXI dataset. The performance of the models was evaluated by peak signal-to-noise ratio (PSNR), structural similarity (SSIM: Structural Similarity Index Measure), and mean absolute error (MAE: Mean Absolute Error) metrics for the test data. For a 15% noise level in the IXI-HH-T1 dataset, the M-UNet+ResNet model achieved average PSNR, SSIM, and MAE values of 37.8426 decibel (dB), 0.9017, and 0.0106, respectively, while the M-UNet+DenseNet model computed these values as 38.0546 dB, 0.9055, and 0.0103. In the IXI-HH-T1 dataset, the M-UNet+ResNet and M-UNet+DenseNet models obtained average PSNR, SSIM, and MAE values of 41.7436 dB, 0.901 and 0.0099 and 40.6320 dB, 0.8785 and 0.0118, respectively. The M-UNet+ResNet model enriched with residual links achieved high-performance values competing with the literature. These results indicate the importance of using residual connections in deep learning model for noise removal.
Benzer Tezler
- Derin öğrenme yöntemleriyle medikal görüntü sınıflandırma
Medical image classification with deep learning methods
ZEYNEP CANTEMİR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACER KARACAN
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Detection of cancerous brain cells with machine learning
Makine öğrenimi ile kanserli beyin hücrelerinin tespiti
UYGAR CANKAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER DANIŞMAN
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Yapay zekâ algoritmaları ile ameliyat sırasındaki mikroskop görüntüleri üzerinden derin öğrenme tekniği ile pediatrik posterior fossa (arka çukur) tümör tanımlama yapılması
Pediatric posterior fossa tumor identification using artificial intelligence algorithms and deep learning techniques on intraoperative microscopic images
AHMET KARAGÖZ
Tıpta Uzmanlık
Türkçe
2024
NöroşirürjiMarmara ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
DOÇ. DR. MUSTAFA SAKAR