Geri Dön

Radyomik veri tabanlı prostat kanseri sınıflandırması için ince ayarlı destek vektör makinesi tasarımı

Fine-tuned support vector machine design for radiomic data-based prostate cancer classification

PDF İndir

  1. Tez No: 855225
  2. Yazar: BİLGEN MAÇAL
  3. Danışmanlar: PROF. DR. METİN VARAN, DR. JAHONGIR AZIMJONOV
  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: Sakarya Uygulamalı Bilimler Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

Kanser vakalarındaki dramatik artış, dünya genelinde ciddi bir sağlık sorunu oluşturmakta ve özellikle farklı kanser türlerine yakalanan insan sayısında önemli bir yükseliş öngörülmektedir. Bu durum, hem teşhis hem de tedavi alanında inovasyonları zorunlu kılmaktadır. Geleneksel tedavi yöntemlerine rağmen kesin bir çözüm bulunmaması, araştırmacıları yeni ve etkili stratejiler geliştirmeye yönlendirmektedir. Görüntüleme, kanser teşhisi ve tedavisi süreçlerinde kritik bir rol oynamaktadır. Bu nedenle, bilgisayar destekli teşhis (BDT) sistemleri, radyologlar ve patologlar arasında kabul görmüş ve meme kanseri gibi özel uygulamalarda FDA onayı almıştır. Gelişen teknolojiyle birlikte, BDT'nin kanser teşhisi ve tedavisindeki potansiyeli giderek artmaktadır. Bu teknikler, teşhis süreçlerinin doğruluğunu artırmak, görüntü okuma sürelerini azaltmak ve hastalar için kişiselleştirilmiş tedavi planları oluşturmak gibi hedeflere odaklanmaktadır. Prostat kanseri, erkekler arasında sık görülen ve ölümlere neden olan bir kanser türüdür. Bu nedenle, prostat kanserinin erken teşhisi ve doğru tanısı hayati önem taşımaktadır. BDT, prostat kanseri teşhisinde büyük bir başarı elde etmiş ve geleneksel teşhis yöntemlerini tamamlayarak daha kesin ve erken teşhis imkânları sunmuştur. Son yıllarda, yapay zekâ tabanlı algoritmaların tıbbi görüntüleme ve teşhis alanındaki kullanımı hızla artmaktadır. Özellikle prostat kanseri teşhisinde, radyomik özelliklerin analizi ve ince ayarlı doğrusal DVM algoritmalarının kullanımı, daha hassas ve etkili sonuçlar elde edilmesine katkı sağlamaktadır. Bu yöntemler, prostat kanseri tanısı için umut verici bir gelecek vadetmektedir. Bu çalışma, prostat kanseri teşhisinde BDT ve yapay zekâ tabanlı algoritmaların birleşimini incelemiş ve özellikle radyomik özelliklerin kullanımının önemini vurgulamıştır. Elde edilen bulgular, daha az ancak daha etkili özelliklerle eğitilen doğrusal DVM tabanlı sınıflandırıcıların, daha hızlı ve yüksek doğrulukla çalıştığını göstermiştir. Bu sonuçlar, prostat kanseri teşhisi için daha iyi ve daha hızlı yöntemlerin geliştirilmesinde önemli bir adım olarak değerlendirilebilir.

Özet (Çeviri)

The dramatic increase in cancer cases poses a significant global health challenge, particularly anticipating a substantial rise in the number of individuals affected by different cancer types. This situation necessitates innovations in both diagnosis and treatment. Despite traditional treatment methods, the absence of a definitive solution directs researchers towards developing new and effective strategies. Imaging plays a crucial role in cancer diagnosis and treatment processes. Hence, computer-aided diagnosis (CAD) systems have gained acceptance among radiologists and pathologists, obtaining FDA approval in specific applications such as breast cancer. With advancing technology, the potential of CAD in cancer diagnosis and treatment is steadily increasing. These techniques focus on enhancing the accuracy of diagnosis, reducing image interpretation times, and creating personalized treatment plans for patients. Prostate cancer is a frequently occurring cancer among men and a leading cause of mortality. Therefore, early detection and accurate diagnosis of prostate cancer are of vital importance. CAD has achieved significant success in the diagnosis of prostate cancer, providing more precise and early diagnostic possibilities alongside traditional diagnostic methods. In recent years, the utilization of artificial intelligence-based algorithms in medical imaging and diagnostics has rapidly increased. Particularly in prostate cancer diagnosis, the analysis of radiomic features and the use of fine-tuned linear DVM algorithms contribute to obtaining more accurate and effective results. These methods hold promising prospects for the diagnosis of prostate cancer. This study investigates the combination of CAD and artificial intelligence-based algorithms in the diagnosis of prostate cancer, emphasizing the significance of utilizing radiomic features. The findings indicate that linear DVM classifiers trained with fewer yet more effective features operate faster and with higher accuracy. These results can be considered a significant step towards developing better and faster methods for prostate cancer diagnosis.

Benzer Tezler

  1. Tez No

    800272

    Prostat kanserinde intraduktal ve kribriform advers patolojileri manyetik rezonans görüntüleme makine öğrenimi tabanlı radyomiklerle tespit etmek mümkün mü?

    Is it possible to detect intraductal and cribriform adverse pathologies in prostate cancer with magnetic resonance imaging machine learning-based radiomics ?

    HÜSEYİN BIÇAKÇIOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    ÜrolojiSüleyman Demirel Üniversitesi

    Üroloji Ana Bilim Dalı

    PROF. DR. ARAP SEDAT SOYUPEK

  2. Tez No

    846026

    Stereotaktik beden radyoterapisi ile tedavi edilen akciğer oligometastazlarında klinik ve radyomik özellikler kullanılarak lokal nüksün tahmini

    Prediction of local recurrence using clinical and radiomic features in lung oligometastases treated with stereotactic body radiotherapy

    RAHMİ ATIL AKSOY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyasyon OnkolojisiAkdeniz Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    DOÇ. DR. TİMUR KOCA

  3. Tez No

    807932

    Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması

    Comparison of radiomic features of benign and malign breast masses on contrast enhanced mammography images

    AYKUT TEYMUR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpKaradeniz Teknik Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. SİBEL KUL

  4. Tez No

    908803

    Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer

    Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu

    MURAT YÜCE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    BiyomühendislikAcıbadem Mehmet Ali Aydınlar Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    ÖĞR. GÖR. SEDA NİLGÜN DUMLU

    DOÇ. DR. SİNEM BURCU ERDOĞAN

  5. Tez No

    748584

    Machine and deep learning based analysis of tumors on FDG-PET images

    FDG-PET görüntülerindeki tümörlerin makine ve derin öğrenme tabanlı analizi

    OĞUZHAN AYYILDIZ

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BÜLENT YILMAZ

Geri Dön