Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
- Tez No: 912668
- Danışmanlar: PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Non-contrast CT images, deep learning, liver diseases, AE diagnosis, CNN, RCNN, Faster RCNN, YOLO, segmentation, classification
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 145
Özet
Amaç: Bu tez çalışmasının amacı, karaciğer hastalıkları olan alveolar ekinokokkoz (AE) ve karaciğer tümörlerinin kontrastsız Bilgisayarlı Tomografi (BT) görüntüleri kullanılarak hızlı ve otomatik olarak sınıflandırılmasını sağlayacak bir derin öğrenme tabanlı sistem geliştirmektir. AE'nin, klinik olarak karaciğer tümörleriyle benzer belirtiler göstermesi ve teşhisinin zor olması nedeniyle, geliştirilen sistemin erken tanıda etkili olması hedeflenmiştir. Konvansiyonel görüntüleme yöntemlerinin aksine, bu çalışmada kontrast maddeye ihtiyaç duyulmaksızın tanı imkânı sunulması amaçlanmıştır. Yöntem: Tezde, üç aşamalı yaklaşım çerçevesinde sınıflandırma ve bölütleme işlemleri gerçekleştirilmiştir. İlk önerilen yaklaşımda, CNN tabanlı bir sınıflandırma modeli ve RCNN tabanlı bir bölge tespit algoritması birleştirilerek otomatik sınıflandırma yapılmıştır. İkinci önerilen yaklaşımda, Faster RCNN ile karaciğer tespiti yapılarak SegClassNet modeli ile early fusion ve late fusion teknikleri kullanılarak bölütlenmiş hastalıklı bölgelerin sınıflandırılması yapılmıştır. Üçüncü önerilen yaklaşımda ise, AE bölütlemeu için YOLO tabanlı Sim-Seg, Seg-Seg ve Det-Seg yöntemi kullanılarak AE ve karaciğer bölütlenmiştir. Bu üç yöntemin doğruluğu ve performansı gerçek klinik verilerle test edilmiştir. Bulgular: Önerilen yaklaşımlar, kontrastsız BT görüntüleri üzerinde yüksek doğruluk, duyarlılık, kesinlik ve F1-score değerleri ile çalışarak başarılı sonuçlar elde edilmiştir. İlk önerilen yaklaşımda bulunan otomatik sınıflandırma yöntemi, hastalık tespitinde hızlı ve etkili bir çözüm sunarken; ikinci önerilen yaklaşımda SegClassNet modeli, yüksek performanslı bölütleme sağlamıştır. Üçüncü önerilen yaklaşımdaki Det-Seg yöntemi ise, AE tespitinde hız ve doğruluk açısından etkili bir sonuç ortaya koymuştur. Tüm yöntemler, özellikle klinik uygulamalarda zaman ve maliyet tasarrufu sağlayarak potansiyel kullanım alanlarına katkı sağlamıştır. Sonuç: Bu tezde geliştirilen derin öğrenme tabanlı sınıflandırma ve bölütleme yöntemleri, karaciğer hastalıklarının erken teşhisi için otomatik, hızlı ve güvenilir bir çözüm sunmaktadır. Önerilen üç yaklaşımın başarısı, kontrastsız BT görüntüleriyle karaciğer hastalıklarının teşhisinde önemli ilerleme sağlamış, hasta sonuçlarını iyileştirme ve teşhis sürecini hızlandırma açısından klinik uygulamalara katkıda bulunulmuştur. AnahtarKelimeler: Kontrastsız BT görüntüleri, derin öğrenme, karaciğer hastalıkları, AE teşhisi, CNN, RCNN, Faster RCNN, YOLO, bölütleme, sınıflandırma
Özet (Çeviri)
Purpose: The purpose of this thesis is to develop a deep learning-based system for the rapid and automatic classification of liver diseases, specifically alveolar echinococcosis (AE) and liver tumors, using non-contrast Computed Tomography (CT) images. Due to the clinical similarity of AE with liver tumors and the challenges in diagnosing it, the system aims to facilitate early detection. Unlike conventional imaging methods, this study seeks to enable diagnosis without the need for contrast agents. Method: In the thesis, classification and segmentation processes were performed within the framework of a three-stage approach. In the first proposed approach, automatic classification was performed by combining a CNN-based classification model and an RCNN-based region detection algorithm. In the second proposed approach, liver detection was performed with FasterRCNN and the segmented diseased regions were classified using early fusion and late fusion techniques with the SegClassNet model. In the third proposed approach, AE and liver were segmented using the YOLO-based Sim-Seg, Seg-Seg and Det-Seg methods for AE segmentation. The accuracy and performance of these three methods were tested with real clinical data. Findings: The proposed approaches have achieved successful results by working with high accuracy, sensitivity, precision and F1-score values on non-contrast CT images. While the automatic classification method in the first proposed approach provides a fast and effective solution in disease detection; the SegClassNet model in the second proposed approach provided high-performance segmentation. The Det-Seg method in the third proposed approach has shown an effective result in terms of speed and accuracy in AE detection. All methods have contributed to potential areas of use by saving time and cost, especially in clinical applications. Results: The deep learning-based classification and segmentation methods developed in this thesis offer an automatic, fast, and reliable solution for the early diagnosis of liver diseases. The success of the three-stage method represents significant progress in diagnosing liver diseases using non-contrast CT images, contributing to improved patient outcomes and expedited diagnostic processes in clinical applications.
Benzer Tezler
- Konik ışınlı bilgisayarlı tomografi görüntülerinde foramen palatinum majus tespitinin ve sınıflandırılmasının yapay zeka ile karşılaştırılması
Comparison of foramen palatinum majus detection and classification in cone beam computed tomography images with artificial intelligence
DİLARA KARA
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiHacettepe ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. SERDAR UYSAL
- Bilgisayarlı tomografi akciğer görüntülerindeki akciğer hastalıklarına bağlı pulmoner değişikliklerin piksel bazlı analizlerle değerlendirilmesi
Evaluation of pulmonary changes in CT lung images due to lung diseases with pixel-based analysis
ELİF SOYA
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- Derin öğrenme teknikleri kullanılarak böbrek hastalıklarının analiz edilmesi
Analyzing kidney diseases using deep learning techniques
AYBÜKE BAKKALOĞLU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER CİVELEK
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU