Copd diagnosis classification on CT images using machine learning
Makine öğrenmesi ile BT görüntülerinde koah tanısı sınıflandırması
- Tez No: 856457
- Danışmanlar: Assist. Prof. ZAFER İŞCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Kronik Obstrüktif Akciğer Hastalığı (KOAH), etkilenen bireylerin yaşam kalitesini önemli ölçüde etkileyen, yaygın ve zayıflatıcı bir solunum rahatsızlığıdır. KOAH'ın erken ve doğru tanısı, etkili yönetim ve iyileştirilmiş hasta sonuçları için çok önemlidir. Bu tez, bilgisayarlı tomografi (BT) görüntülerine uygulanan Derin Evrişimli Sinir Ağları (CNN) kullanılarak KOAH akciğer tanısı sınıflandırması için yeni bir yaklaşım sunmaktadır. Önerilen metodoloji, CT görüntülerini analiz etmek için son teknoloji ürünü bir Deep CNN mimarisini kullanarak KOAH belirtilerinin otomatik olarak tanımlanmasına ve sınıflandırılmasına olanak tanır. Araştırma, çeşitli KOAH alt tiplerine ve şiddet düzeylerine uyum sağlamak için hem ikili hem de çok sınıflı senaryoları ele alan ikili bir odağı kapsamaktadır. Bu ikili sınıflandırma sistemi, modelin çeşitli KOAH koşullarında çok yönlülüğünü ve uygulanabilirliğini artırır. Derin öğrenme modeli, açıklamalı CT görüntülerinden oluşan kapsamlı bir veri kümesi üzerinde eğitilir ve KOAH'ın göstergesi olan ince kalıpları ve özellikleri ayırt etme kapasitesinden yararlanır. İkili sınıflandırma görevi, KOAH ve KOAH dışı vakalar arasında ayrım yaparak temel bir teşhis yeteneği sağlar. Ek olarak, çok sınıflı sınıflandırma, KOAH vakalarını farklı şiddet seviyelerine göre kategorize ederek modelin faydasını genişletir ve ayrıntılı ve kapsamlı bir değerlendirmeyi kolaylaştırır. Önerilen yaklaşımın değerlendirilmesi, görüntü kalitesindeki, hasta demografik özelliklerindeki ve hastalık belirtilerindeki farklılıklar dikkate alınarak çeşitli veri kümeleri üzerinde titiz testleri içerir. İki (KOAH ve Normal) ve çok sınıflı senaryo için elde edilen doğruluk seviyesi sırasıyla %98 ve %99'dur. Bu araştırmanın sonuçları, radyologlar ve sağlık profesyonelleri için sağlam ve etkili bir araç sağlayarak otomatik KOAH tanısı alanının ilerlemesine katkıda bulunmaktadır. Derin öğrenme tekniklerinin BT görüntülemeyle entegrasyonu, hastalığın tanımlanması ve sınıflandırılmasında daha hızlı ve daha standart bir yaklaşım sunarak, sonuç olarak hasta bakımını ve tedavi planlamasını geliştirerek KOAH tanısına yardımcı olma potansiyeli taşımaktadır.
Özet (Çeviri)
Chronic Obstructive Pulmonary Disease (COPD) is a prevalent and debilitating respiratory condition that significantly impacts the quality of life for affected individuals. Early and accurate diagnosis of COPD is crucial for effective management and improved patient outcomes. This thesis presents a novel approach for COPD lung diagnosis classification using Deep Convolutional Neural Networks (CNN) applied to computed tomography (CT) images. The research encompasses a dual focus, addressing both binary (COPD vs Normal) and multi-class (6 classes of COPD lung diagnosis) scenarios to accommodate diverse COPD subtypes and severity levels. This dual-classification system enhances the model's versatility and applicability across a spectrum of COPD conditions. The binary classification task distinguishes between COPD and non-COPD cases, providing a foundational diagnostic capability. Additionally, the multi-class classification extends the model's utility by categorizing COPD cases into distinct severity levels, facilitating a nuanced and comprehensive assessment. The evaluation of the proposed approach involves rigorous testing on diverse datasets, considering variations in image quality, patient demographics, and disease manifestations. The achieved accuracy of for binary (COPD vs Normal) and multi-class classifications are 98% and 99%, respectively. The outcomes of this research contribute to advancing the field of automated COPD diagnosis, providing a robust and efficient tool for radiologists and healthcare professionals. The integration of deep learning techniques with CT imaging holds the potential to help COPD diagnostics, offering a faster and more standardized approach to identifying and classifying the disease, ultimately enhancing patient care and treatment planning.
Benzer Tezler
- Kafa içi multipl anevrizmalarda prognozu etkileyen faktörler
Factors effective on outcome in multiple intracranial aneurysms
TEZCAN ÇALIŞKAN
Tıpta Uzmanlık
Türkçe
2011
NöroşirürjiSağlık BakanlığıBeyin ve Sinir Cerrahisi Ana Bilim Dalı
PROF. DR. MEHMET ZAFER BERKMAN
- Akciğer kanseri tanısında kullandığımız girişimsel yöntemlerin etkinliğinin araştırılması
Investigation of the effectiveness of interventional methods used in diagnosis of lung cancer
ABDURRAHMAN KOTAN
Tıpta Uzmanlık
Türkçe
2021
Göğüs HastalıklarıRecep Tayyip Erdoğan ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. AZİZ GÜMÜŞ
- COVID-19 hastalarında yatış öncesi mevcut ek hastalıklar, bozulan laboratuar değerleri ve radyolojik bulguların mortalite öngörüsü
Prediction of mortality from COVID-19 patients with additional diseases before hospitilization, decrease laboratory values and radiological findings
FERHAT ÇOBAN
Tıpta Uzmanlık
Türkçe
2022
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. MAHMUT TAŞ
- Enhancing deep extreme learning machines: Novel multi-kernel autoencoders and implementation for detecting the chronic obstructive pulmonary disease
Derin aşırı öğrenme makinelerinin geliştirilmesi: Yeni çok çekirdekli autoencoderlar ve kronik obstruktif akciğer hastalığının belirlenmesinde uygulanması
GÖKHAN ALTAN
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMustafa Kemal ÜniversitesiEnformatik Ana Bilim Dalı
YRD. DOÇ. DR. YAKUP KUTLU
- Akım volum halkasında 'eğri altı alan' hesaplamasının KOAH şiddetini belirlemedeki yeri
Calculation of area under curve at flow-volume curve on COPD severity
BERAT ÖZTÜRK
Tıpta Uzmanlık
Türkçe
2006
Göğüs HastalıklarıDokuz Eylül ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF.DR. EYÜP SABRİ UÇAN