Geri Dön

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

PDF İndir

  1. Tez No: 884907
  2. Yazar: ÖMER MİRAÇ KÖKÇAM
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK
  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: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 85

Özet

Beyin, insan için en önemli organdır ve merkezi sinir sisteminin ana organıdır. Beyin, düşünme, hareket ve duyular gibi temel insan faaliyetlerini yönetir. Beyin dokusundaki hücrelerin kontrolsüz büyümesi ile karakterize olan beyin tümörleri hem merkezi sinir sisteminin işleyişi hem de genel sağlık için ciddi bir tehdit oluşturmaktadır. Beyin tümörü tiplerinin doğru sınıflandırılması, uygun tedavi yöntemlerinin belirlenmesi ve hasta sonuçlarının iyileştirilmesi için çok önemlidir. Yapay zeka (YZ) ve derin öğrenme (DL) alanındaki son gelişmeler, tıbbi görüntüleme verilerini kullanarak beyin tümörlerinin otomatik sınıflandırılması için önemli bir potansiyel ortaya koymuştur. Bu çalışma, manyetik rezonans (MR) görüntülerinden beyin tümörü türlerini sınıflandırmak için otomatik bir sistem geliştirmek üzere YZ ve DL yaklaşımlarını kullanmayı amaçlamaktadır. Bu araştırmada, kamuya açık olan üç farklı veri kümesinden elde edilen toplam 32490 görüntünün özelliklerini kullanarak beyin tümörü türlerini sınıflandırmak için evrişimli sinir ağları (CNN) ve görü dönüştürücüler (ViT) kullanıldı. Sağlam model değerlendirmesi sağlamak için veri kümeleri sırasıyla %80 eğitim, %10 doğrulama ve %10 test kümelerine ayrılmıştır. Yöntem olarak ImageNet-21k veri kümesi üzerinde önceden eğitilmiş üç farklı ViT modeli (ViT-B/16, ViT-L/16 ve ViT-H/14) ve yine ImageNet-21k veri kümesi üzerinde önceden eğitilmiş bir CNN modeli (BiT-50) ile özellik çıkarımı için transfer öğrenme kullanılmaktadır. Derin öğrenme modellerinin farklı beyin tümörü türlerini doğru bir şekilde sınıflandırması sırasındaki performans ölçümleri, modellerin tüm veri kümelerinde yüksek sınıflandırma doğruluğu elde ettiğini göstermiştir. Özellikle, ViT-B/16 modeli veri seti I'de %98,8, veri seti II'de %97,08 ve veri seti III'te %96 doğruluk elde etmiştir. ViT-L/16 modeli veri seti I'de %99,5, veri seti II'de %97,55 ve veri seti III'te %97,54 doğruluk elde etmiştir. ViT-H/14 modeli veri seti I'de %97,3, veri seti II'de %95,89 ve veri seti III'te %93,23 doğruluk elde etmiştir. BiT-50 modeli veri seti I'de %99,9, veri seti II'de %98,64 ve veri seti III'te %99,68 doğruluk elde etmiştir. Sonuç olarak bu araştırma, beyin MR görüntülerinden beyin tümörü türlerinin otomatik sınıflandırılmasında CNN ve ViT modellerinin başarılı bir şekilde uygulandığını vurgulamaktadır. Gelecekteki çalışmalar, veri artırma tekniklerini geliştirmeye, daha farklı ön işleme yöntemlerini dahil etmeye ve sınıflandırma doğruluğunu daha da iyileştirmek için yeni derin öğrenme modellerini keşfetmeye odaklanacaktır.

Özet (Çeviri)

The brain is the most important organ for humans and is the main organ of the central nervous system. The brain manages basic human activities such as thinking, movement and senses. Brain tumors, characterized by the uncontrolled growth of cells in brain tissue, pose a serious threat to both the functioning of the central nervous system and general health. Accurate classification of brain tumor types is crucial for determining appropriate treatment methods and improving patient outcomes. Recent advances in artificial intelligence (AI) and deep learning (DL) have demonstrated significant potential for automatic classification of brain tumors using medical imaging data. This study aims to use AI and DL approaches to develop an automated system for classifying brain tumor types from magnetic resonance (MR) images. In this research, convolutional neural networks (CNN) and vision transducers (ViT) were used to classify brain tumor types using the features of a total of 32490 images from three different publicly available datasets. To ensure robust model evaluation, the datasets were divided into 80% training, 10% validation and 10% test sets, respectively. The methodology uses three different ViT models (ViT-B/16, ViT-L/16 and ViT- H/14) pre-trained on ImageNet-21k dataset and one CNN model (BiT-50) pre-trained on ImageNet-21k dataset and transfer learning for feature extraction. Performance measurements of the deep learning models when accurately classifying different types of brain tumors showed that the models achieved high classification accuracy on all datasets. In particular, the ViT-B/16 model achieved 98.8% accuracy in dataset I, 97.08% in dataset II and 96% in dataset III. The ViT-L/16 model achieved 99.5% accuracy in dataset I, 97.55% in dataset II and 97.54% in dataset III. ViT- H/14 model achieved 97.3% accuracy in dataset I, 95.89% accuracy in dataset II and 93.23% accuracy in dataset III. The BiT-50 model achieved 99.9% accuracy in dataset I, 98.64% accuracy in dataset II and 99.68% accuracy in dataset III. As a result, this research emphasizes the successful application of CNN and ViT models for automatic classification of brain tumor types from brain MRI images. Future work will focus on improving data augmentation techniques, incorporating more different preprocessing methods, and exploring new deep learning models to further improve classification accuracy.

Benzer Tezler

  1. Tez No

    909158

    Cilt kanseri sınıflandırması için hibrit derin öğrenme modellerinin geliştirilmesi

    Development of hybrid deep learning models for skin cancer classification

    İBRAHİM ARUK

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET NUSRET TOPRAK

  2. Tez No

    887287

    Çok yüksek çözünürlüklü uydu görüntülerinden grafik tabanlı bilgi çıkarımı

    Graph-based infortmation extraction from very high resolution satellite images

    NURETTİN SİNANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  3. Tez No

    609452

    Deep learning aided data detectionfor future wireless communication systems

    Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti

    MERVE TURHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

  4. Tez No

    745368

    A pixel-by-pixel learned lossless image compression methodwith parallel decoding

    Paralel kod çözme ile piksel-piksel öğrenilmiş kayıpsız görüntü sıkıştırma yöntemi

    SİNEM GÜMÜŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATİH KAMIŞLI

  5. Tez No

    565495

    Aircraft detection from large scale remote sensing images with deep learning techniques

    Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti

    MEHMET SOYDAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

Geri Dön