Bilgisayarlı tomografi görüntlerinden derin öğrenme tabanlı karaciğer segmentasyonu
Deep learning based liver segmentation from computed tomography images
- Tez No: 877800
- Danışmanlar: DR. ÖĞR. ÜYESİ MAHMUT ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 68
Özet
Karaciğer kaynaklı hastalıklara bağlı yüksek ölüm oranlarının mevcut olduğu günümüzde, tıbbi görüntüleme yöntemleriyle kısa sürede doğru teşhisin konulması büyük önem taşır. Her ne kadar bu görevi radyologlar ve onkologlar gerçekleştirmekte olsa da teşhisin bilgisayar destekli tanı yöntemleri ile otomatikleştirilmesi, teşhis süresinin kısalması, uzmanlar arası yorum farklarının önlenmesi ve tedavi aşamasına hızlı geçiş açısından ciddi fayda sağlayacaktır. Bu nedenle tıbbi görüntüleme yöntemlerinden biri olan bilgisayarlı tomografi (BT) görüntüleri üzerinde çalışmalar hız kazanmakta ve özellikle abdominal(karın) BT görüntülerindeki karaciğeri diğer organlardan ayırmak (segmente etmek), ikinci aşamada karaciğerdeki lezyon tespiti ve sınıflandırılmasına zemin hazırlamaktadır. BT görüntülerinin segmentasyonu için birçok yöntem bulunmakla beraber bugün kullanımı yaygınlaşan evrişimli sinir ağı (CNN) yapıları, diğer yöntemleri yüksek başarı oranlarıyla geride bırakmaktadır. CNN yapılarının eğitilerek verilen görevi yerine getirmesi çok büyük veri setleri ve yüksek performansta donanım ve yazılım gerektirmektedir. Bu nedenle transfer öğrenme denilen önceden eğitilmiş CNN yapılarını kullanılacak görev için tekrar daha küçük boyuttaki veri setiyle eğitme yöntemi, büyük veri setleriyle olan eğitim sürelerinin uzunluğunu, öğrenmenin gerçekleşeceği kaynak yazılım ve donanımların maddi yükünü azaltacaktır. Bu tez çalışmasında, transfer öğrenme yöntemi kullanılarak ImageNet adlı geniş veri setiyle önceden eğitilmiş CNN yapıları olan VGG16, VGG19, RESNET18, RESNET50 modellerinin LiTS2017 abdominal BT görüntülerini içeren açık veri setiyle tekrar eğitilerek görüntü kesitlerindeki karaciğeri segmente etmedeki performansları karşılaştırılacaktır.
Özet (Çeviri)
Nowadays, when there are high mortality rates due to liver-related diseases, it is of great importance to make the correct diagnosis in a short time with medical imaging methods. Although this task is performed by radiologists and oncologists, automating the diagnosis with computer-aided diagnostic methods will provide serious benefits in terms of shortening the diagnosis time, preventing differences in interpretation between specialists, and rapid transition to the treatment phase. For this reason, studies on computed tomography (CT) images, which is one of the medical imaging methods, are gaining momentum and especially separating the liver from other organs (segmenting) from abdominal CT images prepares the ground for lesion detection and classification in the liver in the second stage. Although there are many methods for segmenting CT images, convolutional neural network (CNN) structures, which are widely used today, leave other methods behind with high success rates. Training CNN structures to perform the given task requires very large data sets and high-performance hardware and software. For this reason, the method of training pre-trained CNN structures with a smaller data set for the task to be used, called transfer learning, will reduce the length of training time with large data sets and the financial burden of the source software and hardware where learning will take place. In this thesis study, the VGG16, VGG19, RESNET18, RESNET50 models, which are CNN structures pre-trained with the large dataset called ImageNet, using transfer learning method, will be retrained with the open dataset containing LiTS2017 abdominal CT images and their performance in segmenting the liver in image sections will be compared.
Benzer Tezler
- Bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı çoklu organ segmentasyonu
Deep learning based multi organ segmentation in computed tomography images
BEYZA KAYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ
- Three-dimensional (3d) liver tumor detection with deep learning
Derin öğrenme ile üç boyutlu (3b) karaciğer tümör tespiti
FIRAT ÖZCAN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
RABİYE KILIÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Bilgisayarlı tomografi görüntüleri üzerinde derin öğrenme tabanlı COVID-19 teşhisine yönelik hekim karar destek sistemi tasarımı
Deep learning based physician decision support system design for COVID-19 diagnosis on computed tomography images
OĞUZHAN KATAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN DUMAN
- Konik ışınlı bilgisayarlı tomografi görüntüleri üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla faringeal havayolu değerlendirilmesi
Evaluation of the pharyngeal airway with artificial intelligence algorithms improved by deep learning method on cone-beam computed tomography images
BATUHAN KULELİ
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiEskişehir Osmangazi ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. MEHMET UĞURLU