Derin öğrenme ve açıklanabilir yapay zekâ teknikleri ile beyin tümörlerinin tespiti ve analizi
Detection and analysis of brain tumors using deep learning and explainable artifical intelligence techniques
- Tez No: 881032
- Danışmanlar: DOÇ. DR. METE ÇELİK, DR. ÖĞR. ÜYESİ NUH AZGINOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Beyin, vücudun yönetim merkezi olup, işlevlerindeki bozulmalar dikkatli inceleme ve acil müdahale gerektirmektedir. Sağlık çalışanları, beyin anormaliklerini tespit etmek için manyetik rezonans görüntüleme (MRG) kullanmaktadırlar. Bu teknik beyin kanamaları, inme ve tümörler gibi durumları belirlemede hayati öneme sahiptir. Hassas görüntü analizi ile doğru teşhis yapılabilmektedir, bu da erken müdahale ve özelleştirilmiş tedavi planlarına olanak tanımaktadır. Ancak, teşhis süreçlerinde eksiklikler ve insan hataları olabilmektedir. Derin öğrenme yöntemleri, teşhis doğruluğunu artırarak bu süreci iyileştirmeyi amaçlamaktadır. Derin öğrenme, görüntü analizi için yaygın olarak kullanılan güçlü bir yapay zekâ tekniğidir. Bilgisayarlar, karmaşık matematiksel modellerle eğitilerek nesne tanıma ve sınıflandırma görevlerini etkin bir şekilde yerine getirmektedir. Özellikle evrişimsel sinir ağları (ESA) süreçte kritik bir rol oynamaktadır ve sağlık alanında kullanılmaktadır. Bu çalışmada, beyin MR görüntülerinde tümör tespiti için 7 tane ESA tabanlı model kullanılmıştır. Kullanılan veri kümesi BRaTS 2021, 1200 kişiye ait yaklaşık 185,000 görüntü içermektedir. Modeller, veri kümesi ile eğitilmiş ve test edilmiştir. BRaTS 2021 veri kümesini eğitmek ve test etmek için kullanılan derin öğrenme modelleri arasında ResNet18, ResNet34, ResNet50, MobileNetV2, VGG16, DenseNet161 ve AlexNet bulunmaktadır. Bu modellerin başarısı, doğruluk, kesinlik, duyarlılık ve F1-skoru performans metrikleri kullanılarak gösterilmiştir. Ayrıca, her model için açıklanabilir yapay zekâ (AYZ) maskeleri analiz edilip, görselleştirilmiştir. AYZ yöntemlerini sayısal olarak değerlendirmek için 2 tane performans değerlendirme ölçütü kullanılmıştır.
Özet (Çeviri)
The brain is the control center of the body, and disruptions in its functions require careful examination and immediate intervention. Healthcare professionals use magnetic resonance imaging (MRI) to detect brain abnormalities. This technique is vital in identifying conditions such as brain hemorrhages, strokes, and tumors. Accurate diagnosis can be achieved through precise image analysis, enabling early intervention and personalized treatment plans. However, there can be deficiencies and human errors in the diagnostic processes. Deep learning methods aim to improve this process by increasing diagnostic accuracy. Deep learning is a powerful artificial intelligence technique widely used for image analysis. Computers are trained with complex mathematical models to effectively perform object recognition and classification tasks. Convolutional neural networks (CNN), in particular, play a critical role in this process and are used in the healthcare field. In this study, 7 CNN-based models were used for tumor detection in brain MRI. The dataset used, BRaTS 2021, contains approximately 185,000 images from 1,200 persons. The models were trained and tested with this dataset. The deep learning models used to train and test the BRaTS 2021 dataset include ResNet18, ResNet34, ResNet50, MobileNetV2, VGG16, DenseNet161, and AlexNet. The success of these models was demonstrated using performance metrics such as accuracy, precision, recall, and F1-score. Additionally, explainable artificial intelligence (XAI) masks were analyzed and visualized for each model. Two performance evaluation metric were used to quantitatively assess the XAI methods.
Benzer Tezler
- Açıklanabilir yapay zekâ teknikleri ile parkinson hastalık teşhisi
Diagnosis of parkinson's disease with explainable artificial intelligence techniques
TUĞÇE KAÇAR
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ONUR OLGUN
- Derin öğrenme ile nöronal veri kodunun çözülmesi
Neuronl data decoding with deep learning
FATMA ÖZCAN
Doktora
Türkçe
2023
BiyofizikKahramanmaraş Sütçü İmam ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ALKAN
- Estrus detection in cows with deep learning techniques
Derin öğrenme teknikleri ile ineklerde kızgınlık tespiti
İBRAHİM ARIKAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA AYAV
DR. ÖĞR. ÜYESİ FATİH SOYGAZİ
- Derin pekiştirmeli öğrenmeye dayalı otonom sürüş için açıklanabilir yapay zeka
Explainable artificial intelligence (xai) for deep reinforcement learning based autonomous driving
MUHSİN KOMPAS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İBRAHİM KÖK
- Development of intelligent systems using augmented reality and machine learning techniques
Artırılmış gerçeklik ve makine öğrenmesi teknikleri kullanılarak akıllı sistemlerin geliştirilmesi
RAMİZ YILMAZER
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA BİRANT