Evrişimli sinir ağları kullanarak beyin tümörü evrelerinin sınıflandırılması
Classification of brain tumor grades using convolutional neural networks
- Tez No: 885306
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Beyin, insan vücudundaki diğer organların tüm işlevlerini kontrol eden ve merkezi sinir sisteminin kontrol merkezi olan en önemli organdır. Beyin tümörü, beyinde oluşan anormal hücrelerin büyümesiyle ortaya çıkan ölümcül bir hastalıktır. Bazı beyin tümörleri kötü huylu iken (kanserli), bazıları ise değildir (kanserli olmayan veya iyi huylu). 2020 yılında dünyada tahmini 308.102 kişiye beyin tümörü teşhisi konmuştur (Anonymous 2020). Beyin tümörlerinin varlığını tespit etmek için kullanılan en yaygın yöntem, hastanın beyninin MR görüntülerini incelemektir. Tümör hücrelerinin heterojen yapısı nedeniyle sınıflandırılması radyologlar için zorlu bir görevdir (Noreen vd. 2020). Üstelik, büyük miktarda veri ve farklı spesifik beyin tümörü türleri için bu yöntem zaman alıcıdır ve insan hatalarına eğilimlidir (Abiwinanda vd. 2019). Bu tez çalışmasında, beyin tümörlerinin evrelerini sınıflandıran basit bir evrişimsel sinir ağı (CNN) inşa edilmesi amaçlanmıştır. Ortaya çıkan CNN yardımıyla sisteme girdi olarak verilen bir MR görüntüsündeki beyin tümörünün evresinin tespit edilmesi bilgisayar destekli bir programla mümkün olacaktır. Sinir ağı sistemleri iki ve üç evrişim tabakalı olmak üzere MATLAB programı kullanılarak oluşturulmuştur. Farklı mini yığın sayıları seçerek iki adet iki evrişim tabakalı ve bir adet üç evrişim tabakalı mimariler elde edilmiştir. Mimarilerin parametreleri ilk önce deneme-yanılma yöntemiyle elde edilmiş daha sonra doğruluk değerini maksimize edebilmek amacıyla, optimal filtre boyutu ve filtre sayısını verecek şekilde genetik algoritmalar optimizasyon tekniği kullanılmıştır. Bu ağlardan başka, transfer öğrenme kullanarak literatürde verilen üç popüler ağ mimarisi (AlexNet, SqueezeNet ve GoogLeNet) daha eğitilmiştir ve tüm ağların performans ölçütleri kıyaslanmıştır.
Özet (Çeviri)
The brain is the most important organ that controls all the functions of other organs in the human body and is the control center of the central nervous system. A brain tumor is a fatal disease that occurs when abnormal cells grow in the brain. Some brain tumors are malignant (cancerous), while others are not (non-cancerous or benign). An estimated 308,102 people worldwide were diagnosed with a brain tumor in 2020 (Anonymous 2020). The most common method used to detect the presence of brain tumors is to examine MR images of the patient's brain. Classification of tumor cells due to their heterogeneous nature is a challenging task for radiologists (Noreen et al. 2020). Moreover, for large amounts of data and different types of specific brain tumors, this method is time consuming and prone to human errors (Abiwinanda et al. 2019). In this thesis, it is aimed to build a simple convolutional neural network (CNN) that classifies the stages of brain tumors. With the help of the resulting CNN, it will be possible to detect the stage of the brain tumor in an MRI image given as input to the system with a computer-aided program. The neural network systems were created using the MATLAB program with two and three convolution layers. By choosing different mini-batch numbers, two two-convolution layer and one three-convolution layer architectures were obtained. The parameters of the architectures were first obtained by the hit-and-trial method, and then in order to maximize the accuracy value, the genetic algorithms optimization technique is used to give the optimal filter size and number of filters. Apart from these networks, three more popular network architectures given in the literature (AlexNet, SqueezeNet and GoogLeNet) were trained using transfer learning and the performance measures of all networks were compared.
Benzer Tezler
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Beyin MR görüntülerinin yapay zekâ yöntemleri ile sınıflandırılması
Brain MR image classification using artificial intelligence
ZİYA KEMAL
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiYıldız Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. ORHAN İÇELLİ
- 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
ÖMER MİRAÇ KÖKÇAM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK
- 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
- U-net derin öğrenme modelleri kullanılarak beyin tümörü tespiti
Brain tumor detection using U-net deep learning models
MERVE KAYAR
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
PROF. DR. RIDVAN SARAÇOĞLU