Geri Dön

Automated detection and classification of spinal disc herniation using deep learning on MRI images

MR görüntülerinde derin öğrenme kullanılarak omurga disk hernisinin otomatik tespiti ve sınıflandırılması

PDF İndir

  1. Tez No: 885409
  2. Yazar: MUSTAFA ISAM ALAJAJ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ RIZA DİLEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Gedik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 100

Özet

Omurlar arası diskleri etkileyen yaygın bir patolojik durum spinal disk hernisidir. Diskteki jel benzeri madde sert dış tabakadan dışarı çıktığında sinir sıkışması ve ağrı meydana gelir. İdeal tedavi düzenlemesi ve hasta değerlendirmesi için spinal disk hernisinin kesin ve kışkırtıcı bir bulgusu yapılmalıdır. Spinal disk hernisi, uygun tedavi planlanmadan önce hızlı ve kesin bir tanı gerektirir. Manyetik Rezonans Görüntüleme (MRG), spinal disk hernisinin teşhisinde ve değerlendirilmesinde etkili bir görüntüleme tekniği olarak gelişmiştir, hassas anatomik bilgi sunar ve invaziv olmayan incelemeye olanak tanır. MRI, spinal disk hernisini tanımlamak için etkili bir görüntüleme yöntemi olsa da, radyologların manuel inceleme prosedürü zaman alıcıdır ve hataya açıktır. Otomatik bir çözümün geliştirilmesi, omurganın karmaşık anatomik yapısını, görüntüleme tekniği değişkenliğini ve açıklamalı veri kümelerinin eksikliğini içerir ve önemli zorluklar ortaya çıkarır. Son birkaç yılda, derin öğrenme algoritmaları tıbbi görüntülemenin yorumlanmasını dönüştürdü ve tespit ve sınıflandırma gibi otomatik görevlerde dikkate değer bir yetenek gösterdi. Bu nedenle, MRI görüntülerinde spinal disk herniasyonunu tanımlamak ve sınıflandırmak için derin öğrenme tekniklerini kullanan bir bilgisayar sistemine ihtiyaç vardır. Bu stratejiler, büyük veri kümelerinden anında belirli desenleri ve özellikleri edinebildikleri için geleneksel bilgisayar destekli tanı yaklaşımlarından üstündür. Ancak, omurlar arası disk herniasyonunu ayırt etmek için hem güvenilir hem de etkili bir derin öğrenme sistemi oluşturmada birçok zorluk vardır. Omurganın karmaşık anatomisi, görüntüleme stratejilerinin öngörülemez doğası ve MRI görüntülerinde anormalliklerin oluşumunu ele alabilen güçlü algoritmalar. Ayrıca, derin öğrenme modellerini etkili bir şekilde eğitmenin önündeki bir diğer engel de büyük, açıklamalı veri kümelerinin olmamasıdır. Bu nedenle, bu zorlukların üstesinden gelen ve spinal disk herniasyonunu doğru ve otomatik olarak tanımlamak ve sınıflandırmak için MRI taramalarını kullanan bir derin öğrenme sisteminin nasıl geliştirileceğini keşfetmek gerekir. Bu araştırma, derin öğrenme yeteneklerini kullanarak MRI verilerinden spinal disk herniasyonunu tanımlamak ve kategorize etmek için MRI verilerini kullanarak spinal disk herniasyonunun otomatik tespiti ve kategorizasyonu için özel olarak tasarlanmış bir derin öğrenme sistemi geliştirdi. Araştırma, bilgisayar destekli tanıya yönelik geleneksel yaklaşımların etkinliğini derin öğrenme tabanlı yöntemle karşılaştırdı. Robotik çerçevenin klinik yararlılığını, radyologların doğru tedavi yöntemine ve spinal disk hernisi kuruluna karar vermelerine yardımcı olma yeteneğini değerlendirerek araştırmanın yanı sıra. Bu tür derin öğrenme sistemini terapötik olarak yararlı bir araca uygulayarak, radyologlar bunu MRI verilerinden spinal disk hernisini doğru bir şekilde teşhis etmek ve sınıflandırmak için kullanabilirler. Böyle bir sistemin uygulanabilir alımı, muhtemelen gösterge etkileşimi, tedavi düzenlemesi ve hasta sonuçları üzerinde çalışabilir. Derin öğrenme tekniklerinin spinal disk hernisinin teşhisini ve tedavisini iyileştirmedeki etkinliğini göstererek, araştırma bilgisayar destekli tıbbi görüntü analizinin ilerlemesine katkıda bulunmuştur. Bu çalışma, spinal disk hernisi keşfinin alanını değiştirebilir ve derin öğrenmenin gücünden yararlanarak klinik resimlerin PC destekli incelemesinin gelişimine katkıda bulunabilir.

Özet (Çeviri)

A common pathological condition that affects the intervertebral discs is spinal disc herniation. Nerve compression and pain result when the gel-like substance in a disc protrudes through the stiff outer layer. For ideal treatment arranging and patient consideration, an exact and provoke finding of spinal disc herniation should be made. Spinal disc herniation necessitates prompt and precise diagnosis before the appropriate treatment can be planned. Magnetic Resonance Imaging (MRI) has developed as an efficient imaging technique in the diagnosis and evaluation of spinal disc herniation, offering precise anatomical information and allowing for non-invasive examination. While MRI is an efficient imaging method for identifying spinal disc herniation, radiologists' manual review procedure is time- consuming and error-prone. Development of an automated solution include the spine's complex anatomical structure, imaging technique variability, and the lack of annotated datasets raise significant challenges. In the last few years, deep learning algorithms have transformed the interpretation of medical imaging, demonstrating remarkable ability in automated tasks like as detection and classification. So, a computer system that uses deep learning techniques to identify and classify spinal disc herniation on MRI images is required. These strategies are superior to traditional computer-aided diagnostic approaches because they can instantly acquire specific patterns and features from large data sets. However, there are many difficulties in creating a deep learning system that is both reliable and effective for distinguishing intervertebral disc herniation. The complex anatomy of the spine, the unpredictable nature of imaging strategies, and powerful algorithms that can handle the occurrence of abnormalities on MRI images. Also, one more obstruction to effectively training deep learning models is the absence of large, annotated datasets. Hence, it is necessary to discover how to develop a deep learning system that overcomes those challenges and uses MRI scans to accurately and automatically identify and classify spinal disc herniations. This research developed a deep learning system specifically designed for the automated detection and categorization of spinal disc herniation using MRI data, for identifying and categorizing spinal disc herniation from MRI data by utilizing deep learning capabilities. The research compared the efficiency of the conventional approaches to computer-aided diagnosis to the deep learning-based method. In addition to surveying the robotized framework's clinical helpfulness by assessing its ability to help radiologists in deciding the right course of treatment and the board of spinal disc herniation. By applying such deep learning system into a therapeutically useful tool, radiologists can use it to correctly diagnose and classify spinal disc herniation from AUTOMATED DETECTION AND CLASSIFICATION OF SPINAL DISC HERNIATION USING DEEP LEARNING ON MRI IMAGES MRI data. The viable reception of such a system can possibly work on indicative interaction, treatment arranging, and patient results. By demonstrating the efficacy of deep learning techniques in improving the diagnosis and treatment of spinal herniation of the disc, the research contributed to the advancement of computer-aided medical image analysis. This study can possibly change the area of spinal disc herniation discovery and add to the development of PC supported examination of clinical pictures by utilizing the force of deep learning.

Benzer Tezler

  1. Tez No

    798419

    Detection and classification of brain tumors in MRI images using deep convolutional neural network

    Başlık çevirisi yok

    HUSSEIN ALISMAEELI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  2. Tez No

    899755

    Röntgen görüntülerinden derin öğrenme ile omurga deformitesinin tespiti

    Detection of spine deformity deep from X-ray images with deep learning

    TUĞBA ÖZMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ESKİ

  3. Tez No

    409251

    Computer aided detection of spina bifida using features derived from curvature scale space and Zernike moments

    Eğrilik ölçek uzayından ve Zernike momentlerinden türetilen özniteliklerle spina bifidanın bilgisayar destekli tanısı

    UMUT KONUR

    Doktora

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SADIK FİKRET GÜRGEN

  4. Tez No

    463666

    Analysis of spine sounds for spinal health assessment

    Omurga seslerinin omurga sağlığı değerlendirmesi amacıyla analizi

    MUSTAFA ARDA AHİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ENİS ÇETİN

  5. Tez No

    398818

    Automated detection and classification of malware used in targeted attacks via machine learning

    Hedefli saldırılarda kullanılan zararlı yazılımların makine öğrenimi kullanılarak tespiti ve sınıflandırılması

    YAKUP KORKMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İBRAHİM KÖRPEOĞLU

Geri Dön