Geri Dön

Derin öğrenme yöntemleri kullanarak beyin tümörü teşhisi ve sınıflandırması

Brain tumor diagnosis and classification using deep learning methods

PDF İndir

  1. Tez No: 887365
  2. Yazar: ABDULLAH SAKIN
  3. Danışmanlar: PROF. DR. MAHMUT HEKİM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Beyin tümörü, Derin öğrenme, Sınıflandırma, Cnn, Alexnet, Resnet50, Yolov8, Brain tumor, Deep learning, Classification, Cnn, Alexnet, Resnet50, Yolov8
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Tokat Gaziosmanpaşa Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 66

Özet

Derin öğrenme bir veya daha fazla gizli katman içeren yapay sinir ağları (ANN) modelleri ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır. Yani en az bir adet yapay sinir ağının kullanıldığı ve birçok algoritma ile, bilgisayarın eldeki verilerden yeni veriler elde etmesidir. Bu çalışmalarla derin öğrenme birçok alanda hayatı doğru yönetme ve yönlendirmede başarılar sağlanmaktadır. Tıp alanında kullanılan derin öğrenme ise özellikle beyin tümörünü hızlı ve doğru bir şekilde tespit ederek hem hastalara hem de doktorlara büyük destek vermektedir. Ancak mevcut çözümler ve teknolojik yöntemlerin yetersizliği, bazı alanlarda veri seti içeriklerinin azlığı, yeterli çeşitlilik olmaması ve ilgili görüntülerdeki gürültü oranlarının fazlalığı bu alanlardaki başarılı uygulamaların geliştirilmesini zorlaştırmaktadır. Bununla birlikte özellikle gelişmemiş ülkelerdeki doktor başına düşen hasta sayısı, doktorların zaman zaman stres, dikkat kaybı, yorgunluk vb. nedenlerle beyin tümörünün teşhisinde yanlış veya eksik değerlendirmeler yapması insan sağlığını kötü yönde etkilemektedir. Olumsuzlukları ortadan kaldırmak ve doktorlara destek vermek adına yapılan bu çalışmada, evrişimsel sinir ağı (CNN) modelleri kullanılarak beyin tümörlerinin sınıflandırılmasına odaklanılmaktadır. Beyin tümörü görüntüleri Google Colab üzerinde derin öğrenme algoritmaları RESNET50, ALEXNET, YOLOV8 ve bu tezde önerilen CNN modeli kullanılarak sınıflandırılmaktadır. Google Colab üzerinde, 4 ayrı modelden RESNET50, ALEXNET ve bu çalışmada önerilen CNN modelinde sınıflandırma yöntemiyle, YOLOV8 modelinin çeşitlerinde ise nesne tespiti yöntemiyle en yüksek öğrenme oranına sahip model tespit edilerek karşılaştırmaları yapılmaktadır. Bu çalışmada veri seti olarak kullanılan manyetik rezonans (MR) görüntüleri 4 sınıftan oluşan toplamda 7023 görüntü içermektedir. Veri setinin içeriğinde yer alan görüntüler eğitim ve test olmak üzere 2 gruba ayrılmakta ve her bir grubun içeriği 4 sınıftan oluşmaktadır. Bu gruplar sırasıyla glioma tümör, meningioma tümör, no tümör ve pituitary tümördür. Veri seti halka açık Kaggle veri tabanından alınmıştır ancak MR görüntü boyutlarının farklı olmasından dolayı yeniden düzenlenerek her bir görüntünün boyutu 300x300 olarak normalize edilmiştir. Olumsuzlukları ortadan kaldırmak ve doktorlara destek vermek adına yapılan bu çalışmada, Google Colab üzerinde 4 derin öğrenme algoritması kullanılmakta ve tüm elde edilen sonuçlar içerisinde en yüksek doğruluk oranına sahip model elde edilmeye çalışılmaktadır. Literatürde aynı veri seti üzerinde farklı modeller kullanılmış ancak Google Colab üzerinde 4 farklı model kullanılarak karşılaştırma yapılmamıştır. Yapılan çalışma ile bu eksiklik giderilmeye çalışılmıştır. Bu araştırmada, derin öğrenme yöntemleri ile farklı modeller kullanarak yüksek doğruluk oranında beyin tümörü teşhisi ve sınıflandırılması amaçlanmıştır. Beyin tümörü teşhisi ve sınıflandırılmasında RESNET50, ALEXNET, önerilen CNN modeli ve YOLOV8 derin öğrenme algoritmalarından yararlanılmaktadır. Her bir modelde farklı başarı oranları elde edilmiştir. Farklı başarı oranlarının elde edilmesinde kullanılan veri setinin modele uygunluğu etkili olmuştur.

Özet (Çeviri)

Deep learning is a field of study that includes Artificial Neural Networks (ANN) and similar machine learning algorithms that contain one or more hidden layers. In other words, the computer obtains new data from the available data by using at least one artificial neural network and many algorithms. With these studies, deep learning achieves success in managing and directing life correctly in many areas. Deep learning used in the medical field provides great support to both patients and doctors by detecting brain tumors quickly and accurately. However, the inadequacy of existing solutions and technological methods, the scarcity of dataset content in some areas, the lack of sufficient diversity, and the high noise levels in the relevant images make it difficult to develop successful applications in these areas. Moreover, the number of patients per doctor, especially in underdeveloped countries, causes doctors to suffer from stress, loss of attention, fatigue, etc. from time to time. For these reasons, incorrect or incomplete evaluations in the diagnosis of brain tumors negatively affect human health. This study, conducted to eliminate the negativities and support doctors, focuses on the classification of brain tumors using convolutional neural networks (CNN) models. Brain tumor images are classified on Google Colab using deep learning algorithms RESNET50, ALEXNET, YOLOV8 and the CNN model proposed in this thesis. On Google Colab, 4 different models, RESNET50, ALEXNET and the CNN model proposed in this study, are determined by the classification method, and in the variants of the YOLOV8 model, the model with the highest learning rate is determined and compared by the object detection method. Magnetic Resonance (MR) images used as the dataset in this study contain a total of 7023 images, consisting of four classes. The images in the content of the data set are divided into two groups: training and testing, and the content of each group consists of four classes. These groups are glioma tumor, meningioma tumor, no tumor, and pituitary tumor, respectively. The data set was taken from the public Kaggle database, but due to the different sizes of the MR image size it was rearranged and the size of each image was standardized to 300x300. In this study, which is carried out to eliminate the negativities and support doctors, four deep learning algorithms are used on Google Colab, and the model with the highest accuracy rate is tried to be obtained among all the results obtained. Different models have been used on the same data set in the literature, but no comparison has been made using four different models on Google Colab. This study attempted to eliminate this deficiency. In this research, it was aimed at diagnosing and classify brain tumors with high accuracy by using different models with deep learning methods. RESNET50, ALEXNET, our CNN model, and YOLOV8 are used in brain tumor diagnosis and classification. Different success rates were obtained in each model. The suitability of the data set used in the model was effective in obtaining different success rates.

Benzer Tezler

  1. Tez No

    849541

    Beyin MR görüntülerindeki tümörlerin sınıflandırılmasında farklı derin öğrenme ve görüntü işleme yöntemlerinin performanslarının incelenmesi

    Investigation of performance of different deep learning and image processing methods in classification of tumors in brain MR images

    ÇETİN ERÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KAZIM HANBAY

  2. Tez No

    837183

    Dalgacık dönüşümü ve derin öğrenme tabanlı yöntemler kullanarak beyin tümörlerinin sınıflandırılması

    Classification of brain tumors using wavelet transform and deep learning-based methods

    ZİHNİ KAYA

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZAFER ASLAN

  3. Tez No

    776357

    Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms

    Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması

    YEZI ALI KADHIM

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiAtılım Üniversitesi

    Mühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı

    PROF. DR. ALOK MISHRA

    PROF. DR. REŞAT ÖZGÜR DORUK

  4. Tez No

    847190

    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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  5. Tez No

    549184

    Breast cancer data classification using SVM, NB and KNN algorithms

    SVM, NB ve KNN kullanımı ile göğüs kanseri veri sınıflandırması

    BURCU MERAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. KAMİL ORUÇOĞLU

Geri Dön