Tıbbi görüntülerde sınıflandırma başarısının arttırılması için ön işlem ve model parametrelerinin sezgisel optimizasyonu
Heuristic optimization of preprocessing and model parameters to improve classification success in medical images
- Tez No: 843729
- Danışmanlar: DR. ÖĞR. ÜYESİ İHSAN PENÇE
- Tez Türü: Doktora
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 185
Özet
Hastalıkların tespiti, takibi ve tedavilerinin uygulanması amacıyla tıbbi görüntüleme tekniklerinden yararlanılmaktadır. Fakat tıbbi görüntüleri kullanarak tanı koyan uzmanlar da unutma ve yorgunluk gibi insani faktörlerden etkilenmektedir.. Yapay zekânın alt dalı olan derin öğrenme teknolojisi ile geliştirilen modeller, birçok hastalığın teşhisinde ve sınıflandırılmasında kullanılmaktadır. Bu çalışmada, tıbbi görüntülerin sınıflandırma başarısının artırılması için ön işleme teknikleri de kullanılarak en uygun model ve parametrelerin sezgisel optimizasyon ile belirlenmesi gerçekleştirilmiştir. Meme kanseri veri setleri (MKVS-1, MKVS-2), akciğer nodülü veri seti (ANVS), akciğer kanseri veri seti (AKVS) ve diyabetik retinopati (DR) göz hastalığının sınıflandırılması için, literatürde önemli yer tutan veri setleri kullanılmıştır. Verilere ilk olarak kontrast sınırlı uyarlanabilir histogram eşitleme (CLAHE) ön işleme tekniği uygulanmıştır. Daha sonra orijinal ve CLAHE uygulanmış veriler olarak ikiye ayrılan bu veri setlerine çeşitli filtreler uygulanmıştır. Veriler hazırlandıktan sonra ızgara arama (IA), diferansiyel evrim (DE) ve parçacık sürü optimizasyonu (PSO) yöntemleri ile ANVS üzerinde bir optimizasyon çalışması yapılmıştır. IA yöntemi ile ANVS üzerinde en yüksek doğruluk elde edildikten sonra DE ve PSO algoritmaları 10 defa çalıştırılmış ve karşılaştırma yapılmıştır. DE optimizasyonu daha başarılı bulunduktan sonra beş veri seti DE algoritması ile 10 defa çalıştırılmıştır. ANVS, MKVS-1 ve DR veri setlerinde veri artırma uygulanmamış hali ile, AKVS ve MKVS-2 veri setlerinde ise veri artırma uygulanmış hali ile DE algoritması kullanılarak 10 defa çalıştırılma sonrasında en yüksek doğruluk skorları elde edilmiştir. ANVS için 0,9903, MKVS-1 için 0,813, DR veri seti için 0,9141, AKVS için 0,95 ve MKVS-2 için 0,8807 doğruluk elde edilmiştir. Aynı veri setlerinin kullanıldığı diğer çalışmalarla yapılan kıyaslamada ANVS ve AKVS için literatüre göre daha başarılı sonuçların elde edildiği gözlenmiştir. MKVS-1 ve DR veri setlerinin doğruluk açısından literatürdeki sonuçlara çok yakın sonuçlar elde etmiş olup diğer sınıflandırma metriklerinde ise diğer çalışmalara göre daha başarılı sonuçlar elde edilmiştir.
Özet (Çeviri)
Medical imaging techniques are used to detect, monitor and treat diseases. However, experts who make diagnoses using medical images are also affected by human factors such as forgetfulness and fatigue. Models developed with deep learning technology, a sub-branch of artificial intelligence, are used in the diagnosis and classification of many diseases. In this study, the most appropriate models and parameters were determined by heuristic optimization by using preprocessing techniques to increase the classification success of medical images. For the classification of breast cancer datasets (MKVS-1, MKVS-2), lung nodule dataset (ANVS), lung cancer dataset (AKVS) and diabetic retinopathy (DR) eye disease, datasets that have a significant place in the literature were used. A contrast-limited adaptive histogram equalization (CLAHE) preprocessing technique was first applied to the data. Various filters were then applied to these data sets, which were divided into original and CLAHE applied data. After the data was prepared, an optimization study was performed on ANVS with grid search (IA), differential evolution (DE) and particle swarm optimization (PSO) methods. After obtaining the highest accuracy on ANVS with the IA method, DE and PSO algorithms were run 10 times and compared. After DE optimization was found to be more successful, five data sets were run 10 times with the DE algorithm. The highest accuracy scores were obtained in its form without data augmentation in the ANVS, MKVS-1 and DR datasets, and running 10 times with the DE algorithm after in its form applying data augmentation in the AKVS and MKVS-2 datasets. Accuracy of 0,9903 for ANVS, 0,813 for MKVS-1, 0,9141 for DR data set, 0,95 for AKVS and 0,8807 for MKVS-2 was obtained. In comparison with other studies using the same data sets, it was observed that more successful results were obtained for ANVS and AKVS compared to the literature. In terms of accuracy, MKVS-1 and DR datasets obtained results that are very close to the results in the literature, and in other classification metrics, more successful results were obtained compared to other studies.
Benzer Tezler
- Generalized multi-view data proliferator (gem-vip) for boosting classification
Genelleştirilmiş çok boyutlu veri üretimi ile sınıflandırma hassaslığının yükseltilmesi
MUSTAFA ÇELİK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ISLEM REKIK
- Menenjiomların MRG özelliklerinin histopatolojik grade ile ilişkisinin araştırılması
Investigation of the relationship between MRI features of meningiomas and histopathological grade
SERKAN ALİM
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSüleyman Demirel ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFA TÜRKOĞLU
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Konvolüsyonel sinir ağlarında ağ eğitiminin iyileştirilmesi
Improving the network training in convolutional neural networks
KÜBRA UYAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Glial tümörlerde moleküler biyobelirteçleri saptamada makine öğrenmesi ve radyomiksin katkısı
The contribution of machine learning and radiomics in identifying molecular biomarkers in glial tumors
ALİ SAMET TASAK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. EMEL ADA