Geri Dön

Detection and classification of kidney stones based on deep learning methods

Derin öğrenme yöntemleriyle böbrek taşlarınıntespit edilmesi ve sınıflandırılması

  1. Tez No: 847533
  2. Yazar: AZİZ AYDIN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EFTAL ŞEHİRLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 177

Özet

Böbrek taşları, küresel bir sağlık sorunu olarak önem taşımakta ve şiddetli ağrı nedeniyle birçok kişinin acil yardım talep etmesine sebep olmaktadır. Böbrek taşı hastalığının teşhisi için farklı görüntüleme teknikleri kullanılmakta, bu görüntülerin detaylı bir şekilde değerlendirilmesi ve doğru teşhis konulabilmesi için uzmanlık gerekmektedir. Tıp alanında, makine öğrenmesi ve derin öğrenme yöntemlerinin entegrasyonu ile önemli ilerlemeler kaydedilmiştir. Bu tez, koronal BT görüntülerde böbrek taşlarını tespit etmek ve sınıflandırmak amacıyla derin öğrenme ve nesne tespiti tekniklerini kullanmayı amaçlamaktadır. Kullanılan veri seti, toplamda 1799 koronal BT görüntüleri içermektedir. Bu görüntülerden 1009'u böbrek taşı bulunmayan bireylerden alınmış olup, geri kalanı ise böbrek taşı teşhisi konmuş hastalardan elde edilmiştir. Bu tezde Faster R-CNN, YOLO ve özelleştirilmiş bir evrişimli sinir ağı (CNN) olmak üzere üç farklı model uygulanmıştır. Faster R-CNN'nin performansı beklenen seviyenin altında kalmıştır. Öte yandan, YOLO v5 umut verici sonuçlar elde etmiş ve özellikle böbrek taşı tespiti konusunda mAP (0,5) %84,6 ve mAP (0,5:0,95) %39,0 başarı oranlarına ulaşarak YOLO v7'yi geçmiştir. Ayrıca, özelleştirilmiş bir CNN modeli de %99,13 doğrulukla dikkat çekmiştir. Bu model, böbrek taşlarını sınıflandırmadaki etkinliğini literatürdeki önde gelen çalışmalarla kıyaslanabilir bir doğruluk seviyesi elde etmiştir.

Özet (Çeviri)

Kidney stones are a prevalent global health issue, leading numerous individuals to seek emergency care due to intense pain. Different imaging methods are employed in the diagnosis of kidney stone disease, requiring specialized expertise for the comprehensive interpretation and diagnosis of these images. Significant advancements in the medical field have been facilitated thanks to the application of machine learning and deep learning methods. This thesis aims to employ deep learning and object detection techniques to detect and classify kidney stones on CT images. The dataset employed in this thesis comprises a total of 1799 coronal CT scans. Among these, 1009 scans originate from individuals without kidney stones, while the remaining are collected from patients who have been diagnosed with kidney stones. This thesis involves implementing three different models as Faster R-CNN, YOLO, and a customized convolutional neural network (CNN). While Faster R-CNN performance was underwhelming, YOLO v5 achieved promising results, surpassing YOLO v7 with a mAP (0.5) of 84.6% and a mAP (0.5:0.95) of 39.0% for kidney stone detection. The customized CNN exhibited remarkable accuracy reaching 99.13%. Indicating its efficacy in classifying kidney stones, the model achieved an accuracy closely comparable to the leading studies in the literature firmly establishing itself as a noteworthy achievement.

Benzer Tezler

  1. Visualization and image based characterization of hydrodynamic cavity bubbles for kidney stone treatment

    Böbrek taşı tedavisi için hidrodinamik kavite kabarcıklarının görüntülenmesi ve görüntü tabanlı karakterizasyonu

    DOĞAN ÜZÜŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. MUSTAFA ÜNEL

  2. Böbrek hastalıklarının tespiti için Poly-CNN modeli önerisi ve performansının karşılaştırması

    Poly-CNN model recommendation and performance comparison for kidney disease detection

    KENAN GÜLLE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DURMUŞ ÖZDEMİR

  3. Sistemik hastalıkların iristeki belirtilerinin iris analizi yöntemi ile belirlenmesi

    Determination of iris symptoms of systemic diseases by iris analysis method

    FERDİ ÖZBİLGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇETİN KURNAZ

  4. Konjenital üriner sistem genişlemesinin tanı ve tedavisinde farklı sınıflandırma sistemlerinin rolü

    The role of different classification systems in diagnosis and treatment of Congenital urinary system enlargement

    ARİF ORTANCA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Çocuk Sağlığı ve HastalıklarıMuğla Sıtkı Koçman Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. Nurcan DİNLER CENGİZ

  5. 2008-2012 tarihleri arasında Dr. Sami Ulus Kadın Doğum, Çocuk Sağlığı ve Hastalıkları Eğitim ve Araştırma Hastanesinde akut böbrek hasarı tanısı ile takip edilen hastaların değerlendirilmesi

    The evaluation of the patients followed with the diagnosis of acute renal injury in Dr. Sami̇ Ulus Gynecology, Obstetrics and Child Health and Diseases Education and Research Hospital between the years 2008-2012

    FATMA ZEHRA ÖZTEK ÇELEBİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Çocuk Sağlığı ve HastalıklarıSağlık Bakanlığı

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ÖZLEM AYDOĞ