Biomedical image processing using artificial intelligence
Yapay zeka kullanarak biyomedikal görüntü işleme
- Tez No: 843880
- Danışmanlar: DOÇ. DR. HAMZA OSMAN İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 77
Özet
akciğer ve kolon kanserleri, en yaygın ve ölümcül kanser türlerinden biri olarak kabul edilir ve tüm kanser vakalarının \%20'sini oluşturur. Çoğu durumda, hastalığın erken teşhisi, tümör hücrelerinin yayılmasını sınırlamada kritik bir etkiye sahiptir. Bu nedenle hastalığın teşhisi, sağ kalma şansını artırmak için tedavinin ilk adımı olarak kabul edilir. Ancak hala insanların büyük bir yüzdesi için ölümün ana nedenidir. Son yıllarda tıp, özellikle kanser teşhisinde önemli ölçüde gelişmiştir. Ayrıca yapay zeka (YZ), patolojik doku teşhisinde uzmanlara doğru kararlarla zaman ve çaba tasarrufu sağlayarak büyük yardım sağlar. Bu çalışmada, kolon ve akciğer kanseri üç farklı strateji kullanılarak sınıflandırıldı, önceden eğitilmiş ağlara dayanmaktadır. Bu tezin ilk bölümünde, altı Evrişim Sinir Ağı(ESA) , kolon ve akciğer kanseri görüntülerinin sınıflandırılması için kullanıldı. AlexNet, SqueezeNet ve ShuflleNet gibi üç hafif derin öğrenme ağı, transfer öğrenme konsepti kapsamında önceden eğitilmiş modeller olarak kullanıldı. Ardından performansı artırmak ve karmaşıklık ve katman sayısı bakımından farklılık gösteren bir koleksiyon üzerinde sonuçları karşılaştırmak için diğer üç ağ seçildi: DenseNet201, ResNet101 ve EfficientNet-b0. Sonuncusu, sırasıyla kolon kanseri için \%99.94, \%99.93 ve \%98.64, akciğer kanseri için \%99.05, \%98.93 ve \%95.79'luk en iyi sonuçları elde etti. Sonuçları iyileştirmek için ikinci strateji uygulandı ve azaltılmış CNN özellikleri üzerine SVM sınıflandırması uygulandı. AlexNet, SqueezeNet ve ShuflleNet, kolon ve akciğer kanseri görüntülerinde özellik çıkarma için iki senaryo altında kullanıldı. İlk senaryoda, önceden eğitilmiş model tarafından çıkarılan özellikler, SVM sınıflandırıcısına beslendi. İkinci senaryoda ise ağların çıkarılan özellikleri üzerine bir PCA uygulandı ve özellik sayısını azaltmak için kullanıldı. Özellik seçimi sürecinden sonra, azaltılmış özellik setleri de SVM'ye beslendi ve hem kolon hem de akciğer kanseri görüntüleri için en yüksek sonuçlar ikinci senaryo kullanılarak elde edildi. Özellikle ShuflleNet kullanılarak, sırasıyla kolon ve akciğer kanseri veri setleri için \%99.93 ve \%97.92'lik bir sınıflandırma ölçüldü. Üçüncü stratejide, transfer öğrenme üzerine ensemble öğrenme sınıflandırması uygulandı ve enseble öğrenmenin yüksek potansiyeli, enfekte kanser hücreleri için çoklu derin ağ tabanlı bilgisayar destekli teşhis sistemleri kurularak kolon ve akciğer kanserlerinin teşhisi için adapte edildi. Model ensemble'da DenseNet201, ResNet101 ve EfficientNet-b0 modellerinin bireysel sınıflandırma sonuçları, sert oy verme fikirleri açısından birleştirildi ve ensemble yaklaşımı performansları sırasıyla \%99.98 ve \%99.78'e çıkardı, bu tezin en iyi sonucudur
Özet (Çeviri)
he cancers of the lung and colon considered one of the most common and fatal cancers constitute 20\% of all cancer cases. In most cases, early detection of the disease has a critical impact in limiting the spread of tumor cells. Therefore The diagnosis of the disease is considered as the first step for treatment to improve the chance of survival. However, it is still the main cause of death for the largest percentage of people. Medicine has developed in recent years at all levels, especially in diagnosing cancer. Additionally, artificial intelligence provides great assistance for specialists in the field of diagnosing pathological tissue by saving effort and time with accurate decisions. Similarity In this thesis, colon and lung cancer were classified using three different strategies depending on pre-trained networks. In the initial section of this thesis, six Convolutional Neural Networks (CNNs) were employed to classify images of colon and lung cancers. Initially, three lightweight deep-learning networks—AlexNet, SqueezeNet, and ShuffleNet—served as pre-trained models within the framework of the transfer learning concept. Subsequently, to enhance performance and compare results across networks with variations in complexity and layer count, the additional three networks chosen were DenseNet201, ResNet101, and EfficientNet-b0. This selection proved successful, with the latter achieving the highest results: 99.94\%, 99.93\%, and 98.64\% for colon cancer, and 99.05\%, 98.93\%, and 95.79\% for lung cancer in DenseNet201, ResNet101, and EfficientNet-b0, respectively. To enhance results, the second strategy was implemented, applying Support Vector Machine (SVM) classification over reduced Convolutional Neural Network (CNN) features. AlexNet, SqueezeNet, and ShuffleNet were employed for feature extraction on colon and lung cancer images in two scenarios. In the first scenario, the features extracted from the images by the pre-trained model were collected and fed into the SVM classifier. In the second scenario, Principal Component Analysis (PCA) was applied to the extracted features of the networks to reduce the number of features. Following the feature selection process, the reduced feature sets were also fed into SVM to improve classification accuracy. The highest results were achieved using the second scenario for both colon and lung cancer images. Especially using the ShuffleNet, the classification was measured as 99.93\% and 97.92\% for colon and lung cancer datasets, respectively. In the third strategy, ensemble learning classification was applied over transfer learning. The significant potential of ensemble learning was harnessed for diagnosing colon and lung cancers, establishing multiple deep network-based computer-aided diagnosis systems for cancer cells. Within the ensemble model, the individual classification results of DenseNet201, ResNet101, and EfficientNet-b0 models were combined using hard voting principles. This ensemble approach substantially improved performance, achieving 99.98\% and 99.78\% accuracy for colon and lung cancer datasets, respectively, representing the best results in the thesis.
Benzer Tezler
- Biyomedikal imgeler için yapay zekâ tabanlı hücre segmentasyonu yöntemi
Artificial intelligence based cell segmentation method for biomedical images
GİZEM DURSUN DEMİR
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UFUK ÖZKAYA
- Stress assessment using fuzzy logic technique
Bulanık mantık tekniği kullanılarak stres değerlendirme
BÜŞRA YAĞCI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. EMEL KURUOĞLU KANDEMİR
- Kemik kırıklarının görüntü işleme yöntemleri ile tam otomatik tespiti ve yapay zeka algoritmaları ile sınıflandırılması
Full automated detection of bone fractures by image processing methods and classification by artificial intelligence algorithms
SALİH BÜTÜNER
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFTAL ŞEHİRLİ
- Derin öğrenme tekniklerinin biyomedikal imgeler üzerine uygulamaları
Applications of deep learning techniques on biomedical images
MEHMET EMRE SERTKAYA
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURHAN ERGEN
- Beyin kitlelerine yönelik erken tanı ve sınıflandırma sistemi
Early diagnosis and classification system for brain masses
ALİ BERKAN URAL
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
PROF. DR. PINAR ÖZIŞIK