Medikal görüntülerde makine öğrenimiyle sağ kalım analizi
Survival analysis from medical images using machine learning
- Tez No: 926364
- Danışmanlar: DOÇ. DR. HASAN SERHAN YAVUZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 131
Özet
Belirli bir olay meydana gelene kadar geçen süreyi inceleyen sağ kalım analizi mühendislik ve sosyal bilimler gibi birçok alanda yaygın olarak kullanılsa da özellikle hastalık prognozu, tedavi etkinliği ve risk faktörlerinin belirlenmesinde önemlidir. Bu tez çalışmasında sağ kalım analizinin temel kavramları, analizde yaygın olarak kullanılan yöntemlerin taksonomisi ve kullanılan araçlar detaylı bir şekilde ele alınmıştır. 2020-2024 yılları arasında yapay zekâ teknikleri kullanılarak akciğer kanseri genel sağ kalımı üzerine yapılan çalışmalar sistematik bir şekilde incelenerek sağ kalım analizi konusunda çalışacak araştırmacıların araştırma süreçlerini desteklemek amacıyla özel olarak tasarlanmış bir GPT aracı sunulmuştur. Bunun yanında, hastada tümör içeren dilim sayısının hesaba katıldığı ve sağ kalım sınıflandırma başarısına katkısı gösterilen GTV1-SliceNum adı verilen yeni bir öznitelik önerilmiştir. Ayrıca, yanlış negatifleri ve yanlış pozitifleri cezalandıran ve sınıflandırma performansı üzerindeki etkisi halka açık kanser veri tabanları kullanılarak doğrulanan yeni bir kayıp fonksiyonu olan PEN-BCE geliştirilmiştir. Son olarak, farklı veri türleri üzerinde sağ kalım analizi problemi çeşitli yaklaşımlarla ele alınmış ve ablasyon çalışmalarıyla performans değerlendirmeleri kapsamlı bir şekilde analiz edilmiştir. Deneysel sonuçlar, önerilen GTV1-SliceNum özniteliği ve PEN-BCE kayıp fonksiyonunun, mevcut yöntemlere kıyasla anlamlı performans artışları sağladığını göstermiştir. Bu çalışma, sağ kalım analizi problemlerinde hem teorik hem de pratik açıdan yenilikçi bir katkı sunmakta ve tıbbi karar destek sistemleriyle bütünleştirilebilecek potansiyel yaklaşımlar önermektedir.
Özet (Çeviri)
Survival analysis, which examines the time until a specific event occurs, is widely used in various fields such as engineering and social sciences. However, it is particularly crucial in disease prognosis, treatment efficacy evaluation, and identifying risk factors. This thesis provides a detailed examination of the fundamental concepts of survival analysis, a taxonomy of commonly used methods, and the tools utilized in the analysis. A systematic review of studies conducted between 2020 and 2024 on overall survival in lung cancer using artificial intelligence techniques has been carried out. To support researchers working on survival analysis, a specially designed GPT-based tool has been introduced. Additionally, a novel feature called GTV1-SliceNum, which considers the number of tumor-containing slices in a patient, has been proposed, and its contribution to survival classification performance has been demonstrated. Furthermore, a new loss function, PEN-BCE, which penalizes false negatives and false positives, has been developed and validated using publicly available cancer datasets to assess its impact on classification performance. Finally, survival analysis problems have been approached using different data types and methodologies, with comprehensive performance evaluations conducted through ablation studies. Experimental results indicate that the proposed GTV1-SliceNum feature and PEN-BCE loss function provide significant performance improvements compared to existing methods. This study offers an innovative contribution to survival analysis problems from both theoretical and practical perspectives and proposes potential approaches that can be integrated into medical decision support systems.
Benzer Tezler
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Makine öğrenimine dayalı akciğer kanserinin erken tanısında belirsizlik ölçeğinin tespiti
Detection of the uncertainty scale in the early diagnosis of lung cancer based on machine learning
SEMA ÜZÜLMEZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER ASLAN
- Diagnosis of cardiovascular (CVD) disease using high performance machine learning system
Yüksek performanslı makine öğrenme sistemi kullanılarak kardiyovasküler (CVD) hastalığının tanı
MUSTAFA ADİL FAYEZ FAYEZ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Göğüs x-ray görüntüleri kullanılarak pnömoninin tespiti ve sınıflandırılması
Diagnosis and classificatin of pnomania using chest x-ray images
HUSHAM SALAH AL DEEN OMAR OMAR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET BABALIK
- Makine öğrenmesi sınıflama algoritmalarıyla kalp yetersizliği mortalitesinin tahminlenmesi
Prediction of heart failure mortality by machine learning classification algorithms
USAME ÖMER OSMANOĞLU
Doktora
Türkçe
2021
BiyoistatistikEskişehir Osmangazi ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. FEZAN MUTLU