Geri Dön

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

  1. Tez No: 881032
  2. Yazar: MUSTAFA ÖZLÜ
  3. Danışmanlar: DOÇ. DR. METE ÇELİK, DR. ÖĞR. ÜYESİ NUH AZGINOĞLU
  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: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Açıklanabilir yapay zekâ teknikleri ile parkinson hastalık teşhisi

    Diagnosis of parkinson's disease with explainable artificial intelligence techniques

    TUĞÇE KAÇAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiSüleyman Demirel Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ONUR OLGUN

  2. Derin öğrenme ile nöronal veri kodunun çözülmesi

    Neuronl data decoding with deep learning

    FATMA ÖZCAN

    Doktora

    Türkçe

    Türkçe

    2023

    BiyofizikKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ALKAN

  3. Estrus detection in cows with deep learning techniques

    Derin öğrenme teknikleri ile ineklerde kızgınlık tespiti

    İBRAHİM ARIKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji Enstitüsü

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA AYAV

    DR. ÖĞR. ÜYESİ FATİH SOYGAZİ

  4. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İBRAHİM KÖK

  5. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA BİRANT