Geri Dön

Detection of cancerous brain cells with machine learning

Makine öğrenimi ile kanserli beyin hücrelerinin tespiti

PDF İndir

  1. Tez No: 875576
  2. Yazar: UYGAR CANKAT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TANER DANIŞMAN
  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: İngilizce
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 91

Özet

Günümüzde beyin tümörü hastalığında artış görülmektedir. Beyin tümörleri, beyinde yabancı bir kütlenin yavaşça büyümesine ve bir kişiyi ölüme götürmesine neden olan ciddi bir hastalıktır. Tümör teşhisinin erken aşamada ve doğru bir şekilde tespit edilmesi, hastalıkla mücadelede büyük önem taşır. MRI görüntüleme teknolojisi, diğer teknolojilere göre beyin tümörlerini daha net ve ayrıntılı şekilde görüntüleyebilir. Bu görüntülerin tespiti kolay değildir ve bazı durumlarda hastalık zor tespit edildiğinde, hasta için geç olabilir. Bu aşamada, görüntü işleme teknikleri büyük önem taşır. Tez çalışmasında, görüntü işleme teknikleri büyük önem taşır. MRI görüntüsündeki veriler, segmentasyon ve sınıflandırma teknikleri ile analiz edilir ve hastalığın segmenti, konumu ve özellikleri gibi birçok durumda doktorlara ve tıp dünyasına fayda sağlar. Böylece, hastalıkların erken aşamada teşhis edilmesi mümkün olabilir. Bu tez çalışmasında, öncelikle Kaggle üzerinden glioma, meningioma, pituitary ve notumor etiketli 7023 MR görüntüsü kullanılmıştır. Bu görüntüler, beyin tümörlerinin sınıflandırılmasında kullanılan ileri seviye bir yapay zekâ modeli olan EfficientNet'in uygulamasının derinlemesine incelenmesi için kullanılmıştır. EfficientNet, geniş bir veri seti üzerinde eğitildiğinde, farklı beyin tümörü türlerini yüksek doğrulukla ayırt edebilen bir mimaridir. Modelin eğitim sürecinde, derin öğrenme algoritmalarının karmaşık yapısal ve görsel desenleri tanıma yeteneği, MRI görüntülerindeki tümörlerin doğru bir şekilde sınıflandırılması için kritik önem taşır. Tümörlerin tipi, boyutu ve yerleşim yeri gibi hayati özelliklerin incelenmesi bu süreçte merkezi bir role sahiptir. Bu tez kapsamında, Convolutional Block Attention Module (CBAM) entegrasyonu kullanılarak modelin performansı optimize edilmiştir. CBAM, modelin önemli özellikleri seçmesine yardımcı olarak sınıflandırma doğruluğunu artırmakta ve beyin tümörü MRI görüntülerini daha etkin analiz edebilmesini sağlamaktadır. Bu yaklaşım, daha hassas teşhislerin konulabilmesine imkân tanır. Tezin odak noktası, beyin tümörlerinin çeşitli alt türlerinin ayırt edilmesi üzerinedir. Glioma, meningioma, pituitary tümörleri ve tümörsüz alanlar gibi farklı kategoriler, modelin eğitimi sırasında detaylı olarak incelenir. Bu kategorilerin her biri için, modelin doğruluğunu ve güvenilirliğini test etmek amacıyla özel eğitim veri setleri kullanılır. Özellikle, veri setlerinin ön işleme aşamasında, 'ImageDataGenerator' kullanılarak çeşitli görüntü artırma teknikleri uygulanmıştır. Bu teknikler, döndürme, kaydırma, ölçeklendirme ve diğer görüntü manipülasyonlarını içerir; bu sayede modelin aşırı uydurma (overfitting) riski azalır ve genel doğruluğu artar. Modelin eğitimi sırasında, KFold çapraz doğrulama yöntemi uygulanır. Bu yöntem, veri setinin farklı alt kümelerini kullanarak modelin birden çok kez eğitilmesini ve test edilmesini sağlar. Her bir katlama işlemi, modelin farklı veri alt kümelerindeki performansını değerlendirir, böylece verinin az olduğu durumlarda daha güvenilir sonuçlar elde edilir. Bu teknik, modelin performansını daha doğru bir şekilde ölçmemizi sağlar. Modelin eğitim süreci iki aşamadan oluşur: İlk aşamada, EfficientNetB7'nin katmanları dondurulur ve yalnızca üst katmanlar üzerinde eğitim yapılır. Bu yaklaşım, modelin öncelikle genel özellikleri öğrenmesine ve stabil bir temel oluşturmasına olanak tanır. İkinci aşamada ise, bazı alt katmanlar da eğitime dahil edilerek modelin ince ayarı (fine-tuning) yapılır. Bu ince ayar süreci, modelin daha spesifik ve karmaşık özellikleri tanımasına ve daha yüksek bir doğruluk elde etmesine yardımcı olur. Bu tez, makine öğrenmesi ve yapay zekanın tıbbi teşhis alanında nasıl önemli yenilikler getirebileceğini göstermektedir. Geleneksel yöntemlerin sınırlılıklarını aşan bu teknolojiler, erken teşhis ve hızlı tedaviye olanak tanıyarak, tıbbi araştırmalar ve uygulamalar için yeni ufuklar açmaktadır. Özellikle beyin tümörü teşhisinde, bu yenilikçi yaklaşımın potansiyeli, bu çalışma ile kapsamlı bir şekilde ele alınmaktadır.

Özet (Çeviri)

In recent years, there has been an increase in the incidence of brain tumors. Brain tumors are a serious condition that involves the slow growth of a foreign mass in the brain, which can lead to death. Early and accurate detection of tumors is crucial in combating the disease. MRI imaging technology is used to obtain better patterns of brain tumors compared to other technologies. However, detecting these images is not easy, and in some cases, when the disease is difficult to detect, it may be too late for the patient. At this stage, image processing techniques become very important. In this thesis, image processing techniques are crucial. The data from MRI images are analyzed using segmentation and classification techniques, which provide significant benefits to doctors and the medical world in terms of the segmentation, location, and characteristics of the disease. Thus, it may be possible to diagnose diseases at an early stage. In this thesis, 7023 MRI images labeled as glioma, meningioma, pituitary, and notumor from Kaggle were used. These images were cropped from the top and bottom using specific algorithms and resized to dimensions using various preprocessing methods. Once the MRI images were scaled to the desired dimensions, they were grouped into axial, sagittal, and coronal views to improve accuracy and training performance. This thesis deeply examines the application of an advanced artificial intelligence model called EfficientNet in the classification of brain tumors. EfficientNet, when trained on a large dataset, is an architecture that can distinguish different types of brain tumors with high accuracy. During the training process, the ability of deep learning algorithms to recognize complex structural and visual patterns is crucial for the accurate classification of tumors in MRI images. Examining vital characteristics such as the type, size, and location of tumors plays a central role in this process. In this thesis, the integration of the Convolutional Block Attention Module (CBAM) helps optimize the learning process of the models. CBAM allows the model to select important features and reduce background noise,especially through spatial and channel-based attention mechanisms, significantly enhancing the model's object localization and classification performance. This approach strengthens the model's capacity to analyze brain tumor MRI images more effectively, enabling more precise diagnoses. The focus of the thesis is on distinguishing various subtypes of brain tumors. Categories such as glioma, meningioma, pituitary tumors, and non-tumorous areas are thoroughly examined during the model's training. For each of these categories, special training datasets are used to test the model's accuracy and reliability. Various image augmentation techniques are employed during the preprocessing stage of the datasets using 'ImageDataGenerator'. These techniques include rotation, shifting, scaling, and other image manipulations, helping the model better adapt to real-world variations. Additionally, these techniques reduce the risk of overfitting and increase the overall accuracy of the model. During the training of the model, the KFold cross-validation method is applied. This method allows the model to be trained and tested multiple times using different subsets of the dataset. Each fold evaluates the model's performance on different data subsets, providing more reliable results, especially in cases where data is limited. This technique allows for a more accurate measurement of the model's performance. The model's training process consists of two stages: In the first stage, the layers of EfficientNetB7 are frozen, and only the top layers are trained. This approach allows the model to initially learn general features and establish a stable foundation. In the second stage, some lower layers are also included in the training, and fine-tuning is performed. This fine-tuning process helps the model recognize more specific and complex features, achieving higher accuracy.This thesis demonstrates how machine learning and artificial intelligence can bring significant innovations to the field of medical diagnosis. These technologies, surpassing the limitations of traditional methods, open new horizons for medical research and applications by enabling early diagnosis and rapid treatment. The potential of this innovative approach, particularly in the diagnosis of brain tumors, is comprehensively addressed in this study.

Benzer Tezler

  1. Tez No

    796767

    An automated convolutional neural network model for the detection of brain tumours using MRI images

    Başlık çevirisi yok

    RAWAA ABAID MAHAL MAHAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  2. Tez No

    737037

    Kolonoskopi görüntülerindeki poliplerin evrişimli sinir ağları ile tespiti

    Detecting polyps in colonoscopy images using convolutional neural networks

    ERDEM EZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    İş Analitiği Ana Bilim Dalı

    PROF. DR. MERT ERER

  3. Tez No

    549184

    Breast cancer data classification using SVM, NB and KNN algorithms

    SVM, NB ve KNN kullanımı ile göğüs kanseri veri sınıflandırması

    BURCU MERAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. KAMİL ORUÇOĞLU

  4. Tez No

    39123

    Sayısal hücre görüntülerinin kodlanması ve nicel analizi

    Coding and quantitative analysis of the digital cell images

    NEŞE APAK

    Yüksek Lisans

    Türkçe

    Türkçe

    1993

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. MUHİTTİN GÖKMEN

  5. Tez No

    851894

    Bioelectronic systems in studying tissue engineering, real-time biophysical monitoring of birds and point-of-care diagnostics

    Doku mühendisliğinde, kuşların gerçek zamanlı biyofiziksel izlenmesinde ve hasta-başı tanı uygulamalarında biyoelektronik sistemler

    ABDURRAHMAN GÜMÜŞ

    Doktora

    İngilizce

    İngilizce

    2015

    BiyomühendislikCornell University

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DAVID ERICKSON

Geri Dön