Makine öğrenimine dayalı akciğer kanserinin erken tanısında belirsizlik ölçeğinin tespiti
Detection of the uncertainty scale in the early diagnosis of lung cancer based on machine learning
- Tez No: 879104
- Danışmanlar: PROF. DR. ZAFER ASLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı Tomografi (BT), Akciğer kanseri, Derin Öğrenme (DÖ), VGG-16, Evrişimsel Sinir Ağları (ESA), Computed Tomography, Lung Cancer, Deep Learning, VGG-16, Convolutional Neural Networks
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 84
Özet
Bu tez, Belirsizlik Ölçümü (UQ) yaklaşımını modern Derin Öğrenme (DL) teknikleriyle entegre ederek tıbbi görüntü analizinde önemli ilerlemeyi temsil etmektedir. Araştırma, akciğer kanserini tespit etmede gelişmiş etkinlik sergileyen yeni tanı teknikleri geliştirmek için yapılmıştır. Araştırmanın etkinliğini en üst düzeye çıkarmak için, akciğerin 663.549 farklı Bilgisayarlı Tomografi (BT) taramasını içeren özenle seçilmiş bir veri seti kullanıldı. Veri seti, verilerin %80'ini içeren eğitim setlerine, verilerin %10'unu içeren test setlerine ve verilerin %10'unu içeren doğrulama setlerine titizlikle bölünmüştür. Bu segmentasyon, kesin ve güvenilir akciğer kanseri teşhisi konusunda önemli ilerlemeler gösteren iki yenilikçi metodolojinin temeli olarak düşünülebilir. Tez çalışmasının ilk aşamasında, akciğer kanserini saptamak için en yetkin modeli seçmek üzere birkaç Derin Öğrenme mimarisi kapsamlı olarak incelenmiştir. Değerlendirme aşamasında, ResNet50 modeli %96,5'lik olağanüstü bir doğruluk oranı göstermiştir ve bu yöntemin diğer seçenekler arasında başarı oranının daha yüksek olduğu saptanmıştır. Birçok tasarımda performanstaki önemli farklılıklar ile ilgili dikkate değer bir gözlem yapılmıştır. Bu süreçte AlexNet modeli %83,7 doğruluk oranına ulaşmış, Inception v3 modeli %84,9 doğruluk oranı göstermiştir. VGG16 modelinin doğruluk oranı %82,6 olmasına rağmen, performansının önemli olduğu belirlenmiştir. 4 katmanlı Evrişimli Sinir Ağı modeli, % 97,1'lik bir doğruluk oranıyla en yüksek performans seviyesine ulaşmıştır. İkinci metodolojik paradigma, modellerde yeni bir UQ kullanılmasıdır. Böylece modellerin öngörücü yeteneklerinde önemli bir artış sağlanmıştır. Araştırmacılar, Bayes Sinir Ağlarını Belirsizlik Ölçümü ile stratejik olarak bütünleştirdiklerinde modelin güvenilirliğinde önemli bir gelişme olduğunu saptamışlardır. Belirsizlik nicelemesinin ResNet50 Bayes Sinir Ağları modeline dahil edilmesi, model hassasiyetini önemli ölçüde etkilemiş ve %89'luk bir doğruluk oranı elde edilmiştir. Bu başarı, belirsizlik nicelemesinin sahip olduğu dönüştürücü etkisi ile açıklanabilir. AlexNet modeli, % 86 doğruluk oranına ulaşmış ve yüksek bir performans göstermiştir. Inception v3 modeli, gelişmiş doğruluk değerlerinde daha fazla ilerleme kaydetmiş ve %91'lik bir başarı oranına ulaşmıştır. Bununla birlikte, en dikkate değer başarı 4 katmanlı Evrişimli Sinir Ağında gösterilmiştir. Ağ, Bayes Sinir Ağlarının entegrasyonu ve Belirsizlik Nicelemesi ile bu alandaki önceki başarıları aşarak %98'lik, yüksek bir doğruluk oranı göstermiştir. Daha önceki araştırmalarla karşılaştırıldığında bu başarı oranının daha yüksek olduğu saptanmıştır. Bu tez çalışması, belirsizliğin entegrasyonu ile sofistike ve 4 katmanlı Evrişimli Sinir Ağı modeli geliştirmek üzere yeni bir metodoloji, yenilikçi bir yaklaşım sunmaktadır. Bu araştırmada kullanılan ileri teknik, tıbbi görüntü analizi alanında yenilikçi bir çaba olarak yorumlanabilir. Çalışma sonuçları, belirsizlik niceleme yöntemlerini birleştirme olasılığına dair iç görüler sağlayarak, Derin Öğrenme modellerinin güvenilirliğini ve kesinliğini önemli ölçüde artırmaktadır. Bu modelin bulguları, bu araştırma çalışmasındaki uygulamalarla gösterilmiştir. Bu bulgular sadece tıbbi görüntüleme alanındaki ulaşılabilirlik sınırlarını genişletmekle kalmaz, aynı zamanda akciğer kanseri için sağlam ve kesin bir teşhis olanağı sağlar. Bu çalışma, Derin Öğrenme yöntemlerinin izleyebileceği yöne ışık tutarak sağlık hizmetlerinde önemli bir katkı sağlayabilecektir. Ayrıca, hasta şikayetlerinin azaltılması, yaşamının korunması açısından yararlı olması beklenmektedir.
Özet (Çeviri)
This thesis represents a significant advancement in medical image analysis through the integration of Uncertainty Quantification (UQ) methodologies with contemporary Deep Learning (DL) techniques. The research aimed to devise novel diagnostic approaches for enhancing the detection of lung cancer. To ensure the efficacy of the investigation, a meticulously curated dataset comprising 663,549 distinct Computed Tomography (CT) scans of the lung was utilized. The dataset underwent rigorous partitioning into training sets (80% of data), testing sets (10% of data), and validation sets (10% of data), forming the foundational basis for two innovative methodologies that exhibit noteworthy progress in precise and dependable lung cancer diagnosis. In the initial phase of the study, numerous Deep Learning architectures were exhaustively evaluated to identify the most proficient model for lung cancer detection. Notably, the ResNet50 model exhibited exceptional accuracy, achieving a rate of 96.5%, thereby emerging as the optimal choice among the considered options. It is noteworthy that considerable variations in performance were observed across different architectures. For instance, the AlexNet model attained an accuracy of 83.7%, while the Inception v3 model demonstrated an accuracy of 84.9%. Despite its slightly lower accuracy of 82.6%, the VGG16 model displayed significant performance. Moreover, the 4-layer Convolutional Neural Network model outperformed others, achieving an accuracy of 97.1%. The second methodological approach involved integrating Uncertainty Quantification into the models, resulting in a notable enhancement in predictive capabilities. By strategically incorporating Bayesian Neural Networks with Uncertainty Measurement, researchers observed a substantial improvement in model reliability. Notably, integrating uncertainty quantification into the ResNet50 Bayesian Neural Networks model led to a precision boost, yielding an accuracy of 89%. Similarly, the AlexNet model achieved an accuracy of 86%, while the Inception v3 model further improved accuracy to 91%. However, the most remarkable success was observed in the 4-layer Convolutional Neural Network, which attained an impressive accuracy rate of 98%, surpassing previous benchmarks in this domain through the integration of Bayesian Neural Networks and Uncertainty Quantification. This thesis introduces a novel methodology, presenting an innovative approach to developing a sophisticated 4-layer Convolutional Neural Network model by incorporating uncertainty quantification. The advanced techniques employed in this research signify a pioneering effort in the realm of medical image analysis, offering valuable insights into the potential of combining uncertainty quantification methods to significantly enhance the reliability and precision of Deep Learning models. The practical implications of these findings are demonstrated through their application in this research, promising not only to broaden the scope of medical imaging but also to furnish robust and accurate diagnoses for lung cancer. Consequently, this study stands to make a substantial contribution to healthcare by delineating the trajectory that Deep Learning methods can undertake, with anticipated benefits including mitigating patient grievances and safeguarding lives.
Benzer Tezler
- Detection of cancer area in lung images with the help of deep learning algorithms
Derin öğrenme algoritması ile akciğer görüntülerinde kanser alanının tespiti
SHIVAN HASAN MOHAMMED
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÇINAR
- Lung boundary identification and (COVID-19) classification using CT images based on machine learning
Makine öğrenimine dayalı CT görüntüleri kullanarak akciğer sınırlarının tanımlanması ve (COVID-19) sınıflandırması
MUSTAFA KAMIL ABDULLAH ABDULLAH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADNAN SAHER MOHAMMED AL-AJEELI
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images
Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı
OZAN GÜLDALİ
Yüksek Lisans
İngilizce
2021
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL İNAN