Geri Dön

MR görüntülerinde derin öğrenme ile beyin tümör segmentasyonu

Brain tumor segmentation with deep learning on MR images

  1. Tez No: 846806
  2. Yazar: BİLAL TAŞDEMİR
  3. Danışmanlar: PROF. DR. NECAATTİN BARIŞÇI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 75

Özet

Artan nüfus ile birlikte her geçen gün daha fazla insan beyin tümöründen etkilenmektedir. Diğer hastalıklar ile kıyaslandığında beyin tümörünün ölüm oranı çok daha yüksektir. Ayrıca beyin tümörü hastalığına yakalanan insanlar günlük yaşamlarında büyük zorluklar çekmektedir. Beyin tümörünün teşhis aşamasında ise doktorlar çok zorlanmaktadır. MR görüntüleri doktorlar tarafından tek tek incelenerek beyin üzerindeki tümörlü alanların tespit edilmesi gerekmektedir. Bu işlem hem çok uzun zaman almakta hem de doktorlar tarafından manuel olarak kontrol edilmesi doğruluk oranını düşürmektedir. Bu sorunların üstesinden gelmek için beyin MR görüntülerinin otomatik olarak segmentasyonunu sağlayacak, hastalık teşhis ve tedavisinde doktorlara yeteri kadar zaman ve doğru veri sağlayacak bir modelin tasarlanması amaçlanmıştır. Bu çalışmada beyin MR görüntülerinin segmentasyonundaki zorluğu aşmak için topluluk öğrenimi yöntemi kullanılmıştır. Topluluk öğrenimi yönteminde derin öğrenme tabanlı dikkat mekanizmalı u-net ve u-net modelleri kullanılmıştır. Bu sayede iki farklı modelden gelen tahmin değerlerinin ortalaması alınarak daha kararlı bir model geliştirilmesi amaçlanmıştır. Model eğitimi için BRATS veri setinin 2018, 2019 ve 2020 versiyonları kullanılırken model testleri için 2017 versiyonu kullanılmıştır. Farklı veri ön işleme adımları ve topluluk öğrenimi modeli ile dengesiz sınıf dağılımına sahip veri setinde beyin MR görüntülerinin segmentasyon probleminin zorluğu aşılmıştır. Oluşturulan topluluk öğrenimi yöntemi ile BRATS2017 veri seti üzerinde %87,33 ortalama zar skoru, %81,74 nekrotik sınıfı zar skoru, %91,57 ödem sınıfı zar skoru, %76,03 artırılmış tümör sınıfı zar skoru, %99,96 arka plan sınıfı zar skoru ve TT, ÇT ve AT için sırasıyla %83,11, %78,88 ve %76,03 zar skoru elde edilmiştir.

Özet (Çeviri)

With the increasing population, more and more people are affected by brain tumors every day. Compared to other diseases, the death rate of brain tumors is much higher. In addition, people suffering from brain tumor disease have great difficulties in their daily lives. In the diagnosis stage of a brain tumor, physicians face significant challenges. The MR images should be examined one by one by the physicians and the tumor areas on the brain should be determined. This process both takes a very long time and is controlled manually by physicians, reducing the accuracy rate. In order to overcome these problems, it is aimed to design a model that will provide automatic segmentation of brain MR images and provide physicians with sufficient time and accurate data in the diagnosis and treatment of disease. In the study, Ensemble learning method was used to overcome the difficulty in segmentation of brain MR images. Deep learning base attention u-net and u-net models were used in ensemble learning method. The aim is to develop a more stable model by averaging the prediction values from two different models. While the 2018, 2019 and 2020 versions of BRATS dataset were used for model training, the 2017 version was used for model testing. With different data preprocessing steps and ensemble learning model, the difficulty of segmentation of brain MR images has been overcome on imbalanced dataset. With the ensemble learning method created, 87.33% average dice score, 81.74% necrotic class dice score, 91.57% edema dice score, 76.03% enhancing dice score, 99.96% background class dice score and dice score of %83,11, %78,88 and %76,03 for WT, TC and ET were obtained on BRATS2017 dataset.

Benzer Tezler

  1. Segmentation on brain MR images by using deep learning network and 3D modelling

    Derin öğrenme ile MR görüntüleri üzerinde görüntü segmentasyonu ve 3D modelleme

    GÖKAY KARAYEĞEN

    Doktora

    İngilizce

    İngilizce

    2021

    Mühendislik BilimleriBaşkent Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FEYZİ AKŞAHİN

  2. Beyin tümörü tespiti için derin öğrenme ile mr görüntülerinin bölütlenmesi

    Screening the mr images with deep learning for determination of brain tumor

    İBRAHİM KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiAtatürk Üniversitesi

    Elektrik-Elektronik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMİN ARGUN ORAL

  3. Brain lesion segmentation using deep learning

    Derin öğrenme ile beyin lezyon segmentasyonu

    YASEMİN GÖKÇEKUYU

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖRKEM SAYGILI

  4. Beyin MR görüntülerinde riskli gliom tümörlerinin yapay zeka ile tespiti

    Detection of risky glioma tumors in brain MR images using artificial intelligence

    ÇAĞIN ÖZKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. ŞEREF SAĞIROĞLU

  5. Derin öğrenme yöntemlerini kullanarak MR görüntülerinden otomatik tümör tespiti

    Automatic tumor detection from brain MRI images using deep learning techniques

    NECİP ÇINAR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KAYA