Derin öğrenme yöntemlerini kullanarak MR görüntülerinden otomatik tümör tespiti
Automatic tumor detection from brain MRI images using deep learning techniques
- Tez No: 876835
- Danışmanlar: PROF. DR. MEHMET KAYA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kuramsal Temeller Bilim Dalı
- Sayfa Sayısı: 116
Özet
Beyin tümörü insan sağlığını ciddi anlamda tehdit eden ve çoğu zaman riskli ameliyatlarla tedavi edilebilen bir hastalıktır. Uzmanlar, yüksek çözünürlüklü Manyetik Rezonans (MR) görüntüleriyle beyin tümörünü tespit edebilmektedir. Ancak günümüzde, bir çok araştırmacı derin öğrenme yöntemlerini kullanarak MR görüntülerinden beyin tümör tespitini yapmaktadır. Yapılan çalışmalarda MR veya Bilgisayarlı Tomografi (BT) görüntülerinden beyin tümör tespiti ile ilgili oldukça başarılı sonuçlar elde edilmiştir. Ancak hala bu alanda geliştirilmesi gereken birçok nokta bulunmaktadır. Özellikle tümörlerin yeri, boyutu konusunda başarı oranının istenilen seviyede olmadığı bilinmektedir. Bu tez çalışmasında beyin MR görüntülerinden derin öğrenme yöntemleri kullanarak otomatik tümör tespiti için daha önce önerilmemiş beyin tümörü tespitini daha yüksek bir başarı oranı ile tespit eden yeni bir yaklaşım geliştirilmiştir. Bu tez çalışmasında beyin tümör tespiti iki aşamalı bir süreç olarak gerçekleştirilmiştir. İlk aşamada beyin tümörünün yeri ve boyutlarının tespiti için bölütleme (segmentasyon) işlemi yapılmış, ikinci aşamada ise tümör tiplerinin tespiti için sınıflandırma işlemi yapılmıştır. Bölütleme işlemi için derin öğrenme ağlarından biri olan UNet mimarisi, segmentasyon işlemi için önceden eğitilmiş DenseNet121 mimarisi ile hibrit model olarak kullanılmıştır. Önerilen model, yüksek dereceli ve düşük dereceli glioma tümörlerini içeren BraTS 2019 veri seti ile doğrulanmıştır. Deneysel sonuçlar, modelimizin bu alanda sunulan diğer son teknoloji yöntemlerden daha iyi performans elde ettiğini göstermektedir. Bölütleme işlemi sonucunda, tüm tümör, çekirdek tümör ve genişleyen tümör için sırası ile %95.9, %94.3 ve %89.2 DSC değerleri elde edilmiştir. Beyin MR görüntülerinin sınıflandırılması için 8 katmanlı iyileştirilmiş CNN tabanlı bir ağ tasarlanmıştır. Önerilen yaklaşım, glioma tümörlerini %99,64, menenjiyom tümörlerini %96,53, hipofiz tümörlerini %98,39 doğruluk oranıyla tespit etmiştir.
Özet (Çeviri)
The detection of brain tumors from MRI images is a critical concern for human health and often requires risky surgeries for treatment. Experts can identify brain tumors using high-resolution Magnetic Resonance (MR) imaging. However, nowadays, many researchers are employing deep learning methods to detect brain tumors from MR or Computed Tomography (CT) images. Significant success has been achieved in tumor detection from MR or CT images through these studies. Nevertheless, there are still many areas in this field that need improvement, especially in accurately determining the location and size of tumors. In this thesis, a new approach has been developed using deep learning methods to automatically detect brain tumors from MRI images with a higher success rate than previously proposed methods. The brain tumor detection process in this thesis is carried out in two stages: in the first stage, segmentation is performed to determine the location and dimensions of the brain tumor, and in the second stage, classification is performed to determine the types of tumors. For the segmentation process, the UNet architecture, which is one of the deep learning networks, is used as a hybrid model with the pre-trained DenseNet121 architecture. The proposed model has been validated on the BraTS 2019 publicly available brain tumor dataset, which includes high-grade and low-grade glioma tumors. Experimental results demonstrate that our model outperforms other state-of-the-art methods in this field. For the segmentation process, Dice Similarity Coefficient (DSC) values of 95.9%, 94.3%, and 89.2% are obtained for the whole tumor, core tumor, and enhancing tumor, respectively. An 8-layer CNN-based model is designed for the classification of brain MR images. The proposed approach achieves detection accuracies of 99.64% for glioma tumors, 96.53% for meningioma tumors, and 98.39% for pituitary tumors.
Benzer Tezler
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Akciğer BT görüntülerinden tümörlü verilerin farklı derin öğrenme modelleriyle tahmini
Prediction of tumor data from lung CT images with different deep learning models
VOLKAN ÇETİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- Evrişimsel sinir ağı ve görü dönüştürücü mimarileri kullanılarak MR görüntülerinde beyin tümörlerinin otomatik sınıflandırılması
Automatic classification of brain tumors in MR images using convolutional neural network and vision transformer architectures
ÖMER MİRAÇ KÖKÇAM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK
- Tıbbi görüntülerden derin öğrenme yöntemi ile karaciğer ve beyin lezyonlarının bölütlenmesi
Segmentation of liver and brain lesions by deep learning approach from medical images
ONUR CAN BAYRAK
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Fully automated deep learning and machine learning –based prognosis models for survival prediction of brain tumor patients using multi-modal mri images
Multimodal mrı görüntüleri kullanarak beyin tümörü hastalarının hayatta kalma tahmini için tam otomatik derin öğrenme ve makine öğrenme tabanlı prognoz modelleri
ABDELA AHMED MOSSA
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK