Görüntü işleme ve derin öğrenme yöntemleri kullanılarak ankilozan spondilit erken teşhisine yönelik karar destek sisteminin geliştirilmesi
Development of decision support system for early detebtion of ankylosing spondylitis using image processing and deep learning methods
- Tez No: 907742
- Danışmanlar: DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ, PROF. DR. ALPARSLAN ÜNSAL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 121
Özet
Bu tez çalışmasında, ankilozan spondilitin erken teşhisinde kullanılmak üzere açıklanabilirliği yüksek, güç tüketimi düşük ve %90'ın üzerinde doğruluk oranına sahip yapay zekâ tabanlı bir karar destek sistemi geliştirilmiştir. Çalışma, tıp ve mühendislik disiplinlerinin iş birliği ile gerçekleştirilmiş ve STIR MRI görüntüleri üzerine odaklanmıştır. Bu bağlamda, üç farklı yöntemle modeller geliştirilmiştir. Birinci yöntemde, klasik makine öğrenmesi algoritmalarına dayalı bir model oluşturulmuş, görüntülerden elde edilen gri düzey eş oluşum matrislerinden türetilen Haralick özellikleri kullanılmıştır. İkinci yöntemde, bu özellikler derin öğrenme modelleri ile birleştirilerek hibrit bir yaklaşım sunulmuştur. Üçüncü yöntemde ise, önceden eğitilmiş evrişimsel sinir ağları kullanılarak bir topluluk modeli geliştirilmiş ve çoğunluk oylama mekanizması ile sınıflandırma gerçekleştirilmiştir. Bu sistemler hem bireysel hem de topluluk performansı açısından analiz edilmiş ve sınıflandırma performansları değerlendirilmiştir. Veri seti, Adnan Menderes Üniversitesi Tıp Fakültesi'nden retrospektif olarak elde edilen 696 STIR MRI görüntüsünden oluşmuştur. Bu görüntüler, radyologlar tarafından global AS derecelendirme sistemi kullanılarak etiketlenmiştir. Her bir model, veri setinin özelliklerine göre özelleştirilmiş ve çeşitli performans metrikleri ile değerlendirilmiştir. Modeller, özellikle duyarlılık, özgünlük ve F1 skoru gibi metriklerde başarılı sonuçlar göstermiştir. Özellikle topluluk modeli, klinik uygulamalar için açıklanabilirlik ve güvenilirlik açısından üstün bir performans sunmuştur. Geliştirilen sistemlerin, tıbbi tanı süreçlerini destekleyerek erken teşhis oranlarını artırması ve sağlık sisteminin yükünü hafifletmesi hedeflenmiştir. Bu tez çalışması hem tıp hem de mühendislik alanlarında literatüre önemli katkılar sağlamakta ve disiplinler arası bir model geliştirme örneği sunmaktadır. Ayrıca, sonuçlar, geliştirilen modellerin klinik ortamlarda uygulanabilir olduğunu göstermektedir. Bu tez, ankilozan spondilit teşhisinde yenilikçi yaklaşımlar sunarak tıp ve mühendislik disiplinlerinin iş birliğine dayalı çözümler üretmesine olanak sağlamaktadır.
Özet (Çeviri)
This thesis focuses on the development of an artificial intelligence-based decision support system for the early diagnosis of ankylosing spondylitis. The proposed system aims to achieve high explainability, low power consumption, and an accuracy rate exceeding 90%. To meet these objectives, three distinct AI-based models were developed. The first model is based on classical machine learning algorithms, utilizing Haralick features derived from gray-level co-occurrence matrices generated from MRI images. The second model combines these Haralick features with deep learning methods, offering a hybrid approach. The third model leverages pre-trained convolutional neural networks and employs an ensemble learning mechanism with majority voting for classification. The dataset used in this study consists of 696 short tau inversion recovery magnetic resonance images, retrospectively collected from Adnan Menderes University Medical Faculty. These images were labeled by medical experts using a global AS grading system. Following the preparation of the dataset, the models were tailored to the dataset's specific features and evaluated using metrics such as sensitivity, specificity, and F1 score. Among the three models, the ensemble learning model demonstrated superior performance, providing a balance of accuracy, reliability, and clinical interpretability. This thesis aims to support medical diagnostic processes, improve early diagnosis rates, and reduce the healthcare system's burden. By combining expertise from the fields of medicine and engineering, the study offers a novel interdisciplinary approach to addressing the challenges of AS diagnosis. The findings highlight the potential of the developed models for clinical implementation, contributing significantly to the advancement of diagnostic technologies.
Benzer Tezler
- Görüntü işleme ve derin öğrenme yöntemleri ile çelik yüzey kusurlarının tespiti ve sınıflandırılması
Detection and classification of steel surface defects by image processing and deep learning methods
AHMET AYDIN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Histopatolojik meme kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of histopathological breast cancer images by deep learning methods
GİZEM IRMAK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET SAYGILI
- Diş görüntüleri üzerinde görüntü işleme ve derin öğrenme yöntemleri kullanılarak çürük seviyesinin sınıflandırılması
Classification of caries level using image processing and deep learning methods on dental images
ÜMRAN ÜNSAL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAksaray ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM
- Tıbbi görüntü işleme ve derin öğrenme yöntemleriyle hastalıklarda teşhis otomasyon modeli
Diagnostic automation model in diseases with medical image processing and deep learning methods
MUSTAFA GÜLER
Doktora
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-CerrahpaşaEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERSİN NAMLI
DOÇ. DR. RAMAZAN ÜNLÜ
- Akıllı ulaşım sistemleri için karayolu tipi, kavşak ve virajların derin öğrenme yöntemleri ile belirlenmesi
Determination of highway type, intersections and curves for intelligent transportation systems by deep learning methods
VEDAT TÜMEN
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURHAN ERGEN