Beyin MR görüntülerinin iğnecikli sinir ağları tekniği ile analizi
Analysis of brain MRI images through spiking neural network technique
- Tez No: 917300
- Danışmanlar: DOÇ. DR. ERKAN ATMACA, DR. ÖĞR. ÜYESİ ERTUĞRUL ADIGÜZEL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 93
Özet
Beyin tümörleri, beyinde düzensiz büyüyen ve müdahale edilmediği takdirde beyinde ciddi hasara ve hayati tehlikelere yol açabilen patolojik kitlelerdir. Beyin tümörlerinin erken teşhisi, tedavi sürecinde başarıyı artıran kritik bir unsurdur. Bu bağlamda, biyomedikal görüntüleme teknolojilerinde derin öğrenme tabanlı modeller, hastalıkların tanı ve tedavisinde giderek daha fazla kullanılmaktadır. Bu çalışmada, biyolojik sinir ağlarından ilham alınarak geliştirilen Spiking Neural Networks (SNN) ve nesne tespiti için kullanılan YOLOv7 algoritması birleştirilerek, beyin MRI görüntülerinde tümör tespiti ve etiketlemesi için enerji verimli ve yüksek doğruluklu bir sistem geliştirilmiştir. Araştırmada, Br35H: Brain Tumor Detection 2021 veri seti kullanılarak toplamda 3000 MRI görüntüsü analiz edilmiştir. Veri setindeki tümörlü bölgeler, uzman radyologlar tarafından etiketlenmiş ve görüntüler modele girdi olarak uygulanmadan önce ölçeklendirme gibi ön işleme tekniklerinden geçirilmiştir. SNN modeli Nengo framework'ü kullanılarak eğitilmiş ve ürettiği çıktılar, nesne tespiti için YOLOv7 algoritmasına girdi olarak verilmiştir. Önerilen sistemin performansı doğruluk (Accuracy), kesinlik (Precision), duyarlılık (Recall), F1 skoru ve ortalama doğruluk (mAP) gibi metriklerle değerlendirilmiştir. Test sonuçları, SNN'nin %97 doğruluk oranına sahip olduğunu ve YOLOv7'nin sırasıyla %86 Precision, %96 Recall, %76 F1 skoru ve %81 mAP değerlerine ulaştığını göstermektedir. Bu bulgular, önerilen sistemin gerçek zamanlı nesne etiketleme yapısı sayesinde beyin MRI görüntülerinde tümör tespiti için klinik olarak uygulanabilir bir çözüm sunduğunu ortaya koymaktadır. Çalışma, derin öğrenme tabanlı modellerin biyomedikal görüntüleme teknolojileriyle entegrasyonunun tıbbi teşhis ve tedavi süreçlerinde yenilikçi bir yöntem olarak değerlendirilebileceğini göstermektedir.
Özet (Çeviri)
Brain tumours are pathological masses that develop abnormally in the brain, with the potential to cause significant damage and even life-threatening complications if left untreated. The early diagnosis of brain tumours is a critical factor in the success of the treatment process. In this context, deep learning-based models in biomedical imaging technologies are increasingly employed for the diagnosis and treatment of diseases. The present study proposes a novel approach that integrates Spiking Neural Networks (SNNs), inspired by biological neural networks, with the YOLOv7 algorithm for object detection. This integration has been undertaken to develop a system that is both energy efficient and highly accurate in detecting and labelling tumours in brain MRI images. The Br35H: Brain Tumor Detection 2021 dataset was analysed in this study, with a total of 3000 MRI images being evaluated. The tumour regions in the dataset were labelled by expert radiologists and the images were subjected to pre-processing techniques such as scaling before being applied as input to the model. The SNN model was trained using the Nengo framework, and the outputs were given as input to the YOLOv7 algorithm for object detection. The performance of the proposed system was evaluated using metrics such as Accuracy, Precision, Recall, F1 score and mean accuracy (mAP). The results of the tests demonstrate that the SNN model exhibits a 97% accuracy rate, while the YOLOv7 algorithm achieves 86% precision, 96% recall, 76% F1 score, and 81% mAP, respectively. The findings reveal that the proposed system offers a clinically applicable solution for tumour detection in brain MRI images thanks to its real-time object labelling structure. The study demonstrates that the integration of deep learning-based models with biomedical imaging technologies can be regarded as an innovative method in medical diagnosis and treatment processes.
Benzer Tezler
- Beyin MR görüntülerinin yapay zekâ yöntemleri ile sınıflandırılması
Brain MR image classification using artificial intelligence
ZİYA KEMAL
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiYıldız Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. ORHAN İÇELLİ
- Beyin MR görüntülerinin akıllı yöntemler ile sınıflandırılması, kümelenmesi ve bölütlenmesi
Classification, clustering and segmentation of brain MR images by intelligent methods
FARUK ALTUNTAŞ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ
- Beyin MR görüntülerinin kesit konum standardizasyonu
Standardization of slice-positioning for brain MR images
ALİ İSKURT
Doktora
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAŞAR BECERİKLİ
- Beyin mr görüntülerinin dalgacık dönüşümü ve özörgütlemeli harita ağları kullanılarak bölütlenmesi
Segmentation of brain mr images using wavelet transform and self organizing maps neural network
AYŞE DEMİRHAN
Doktora
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. İNAN GÜLER
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN