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: Derin öğrenme, Deep learning
- 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: Belirtilmemiş.
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
- Design and implementation of an ECB-BUS compatible FDC board
Başlık çevirisi yok
M.ORHUN ARKUT
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiDOÇ. DR. HAYRETTİN KÖYMEN
- Toz metalurjisi terminolojisinin araştırılması ve çok dilli bilgisayar programı yazılımı
Investigation of the powder metallurgy terminology and development of a multi-language computer program
İHSAN EFEOĞLU
Yüksek Lisans
Türkçe
1988
Metalurji MühendisliğiGazi ÜniversitesiMakine Eğitimi Ana Bilim Dalı
PROF. DR. ETİ MUSTAFA UYGUR
- X-ışınları kırınım verileri değerlendirme bilgisayar programı yazılımı
Software development for the analyses of x-ray diffraction data
YUSUF ÖZÇATALBAŞ
Yüksek Lisans
Türkçe
1988
Metalurji MühendisliğiGazi ÜniversitesiMetalurji Eğitimi Ana Bilim Dalı
PROF.DR. ETİ MUSTAFA UYGUR
- Initial modeling and simulation of subscriber loops for ISDN
Başlık çevirisi yok
AGAH TAZEGÜL
Yüksek Lisans
İngilizce
1988
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiPROF. DR. MEHMET BÜLENT SANKUR