Thyroid nodule classification from ultrasound images using deep learning
Derin öğrenme kullanılarak ultrason görüntülerinden tiroid nodül sınıflandırması
- Tez No: 928167
- Danışmanlar: PROF. DR. MAHMUT EKŞİOĞLU, PROF. DR. MUSTAFA NECATİ ARAS
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 85
Özet
Teknolojinin sürekli gelişimi ile beraber yapay zekanın uygulama alanı git gide genişlemektedir. Uygulama alanlarının başında gelen sektörlerden biri olan sağlık sektöründe, tıbbi görüntülere uygulanan derin öğrenme modelleri, hastalık tespiti ve yorumlanması noktasında giderek daha fazla benimsenmektedir. Bu eğilim, son yıllarda görülme sıklığı giderek artan tiroid nodüllerinin tespitine odaklanan birçok çalışmada gözlenmektedir. Tiroid nodüllerinin tespiti ve sınıflandırılmasında yaygın olarak kullanılan bir tanı yöntemi olan ultrason, uzmanlar arası deneyime dayanan subjektif ve zaman alan bir değerlendirme süreci içerir. Bu nedenle geleneksel tanı sürecince false positive teşhis sonrası doğan gereksiz biyopsi sürecini iyileştirebilmek adına bir derin öğrenme yaklaşımı geliştirilmiştir. Bu araştırmada, Türkiye'den 110 hastaya ait, 86'sı benign ve 24'ü malign olmak üzere toplam 445 tiroid ultrason görüntüsü içeren bir veri seti üzerinde çalışılmıştır. Model eğitimi, doğrulama ve test işlemleri için sırasıyla 305, 40 ve 100 görüntüden oluşan üç veri seti kullanıldı. Sınıf dengesizliğini gidermek için data augmentation uygulandı ve Kolombiya Ulusal Üniversitesi'nden alınan harici malign veriler eklendi. Tiroid nodüllerinin kategorize edilmesi için derin öğrenme tabanlı bir CNN mimarisi kullanıldı. Yetersiz veri sorununu çözmek için ImageNet ve yalnızca medikal görüntüler içeren RadImageNet ile transfer öğrenme yöntemleri karşılaştırıldı. EfficientNetB0, ResNet50, DenseNet121 ve Xception modelleri değerlendirildi. Hiper-parametre optimizasyonu sonucunda, ResNet50 modeli \%91 doğruluk, \%87 kesinlik ve \%65 duyarlılık ile en iyi sonucu verdi. Test setindeki görseller, uzman endokrinologlar ve radyologlar tarafından sınıflandırıldı ve derin öğrenme tabanlı modelimizin daha yüksek doğruluk sağladığı tespit edildi.
Özet (Çeviri)
As technology continues to evolve, the application areas of artificial intelligence are expanding, particularly in the healthcare sector. Deep learning models applied to medical imaging are increasingly being adopted for disease detection and interpretation. This trend is particularly evident in numerous studies focusing on the detection of thyroid nodules, whose incidence has been rising in recent years. Ultrasound, a common diagnostic method for detecting and classifying thyroid nodules, involves a subjective and time-consuming evaluation process based on expert experience. Therefore, to improve the traditional diagnosis process and reduce unnecessary biopsies following false positive diagnoses, a deep learning approach has been developed. In this study, we worked with a dataset containing 445 thyroid ultrasound images from 110 patients in Türkiye, including 86 benign and 24 malignant cases. The model training, validation, and testing were conducted using three separate datasets containing 305, 40, and 100 images, respectively. To address the class imbalance, data augmentation was applied, and external malignant data from the National University of Columbia were added. A Convolutional Neural Network architecture based on deep learning was used to classify thyroid nodules. To solve the problem of insufficient data, transfer learning methods using ImageNet and then RadImageNet, which only contains medical images, were compared. Various models such as EfficientNetB0, ResNet50, DenseNet121, and Xception were evaluated. Following hyperparameter optimization, the ResNet50 model achieved the best results with an accuracy of 91\%, a precision of 87\%, and a sensitivity of 65\%. Images in the test set have been classified as malignant or benign by expert endocrinologists and radiologist. It has been determined that our deep learning-based model provides a higher accuracy rate.
Benzer Tezler
- Radyolojı̇k görüntülerde derı̇n öğrenme kullanılarak kanser alt tı̇plerı̇nı̇n ve genotı̇plerı̇nı̇n sınıflandırılmasının gelı̇ştı̇rı̇lmesı̇
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- Tiroid nodüllerinin genetik algoritma ile eğitilen anfıs yöntemi kullanılarak iyi huylu ve kötü huylu olarak ayrıştırılması ile yeni bir bilgisayar destekli tanı temelli risk sınıflandırma sistemi önerilmesi
Differentiation of benign and malignant thyroid nodules with anfis by using genetic algorithm and proposing a novel cad-based risk stratification system of thyroid nodules
AHMET CANKAT ÖZTÜRK
Doktora
Türkçe
2023
Mühendislik BilimleriTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Tiroid nodüllerinin değerlendirilmesinde us-elastografinin benign-malign ayrımına katkısı
In the evaluation of tyhroid nodules us-elastography distinction between benign and malignan contribution
HÜSEYİN KAYA
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpGaziantep ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. AHMET SELİM KERVANCIOĞLU
- Tiroid nodüllerinin ultrason, ince iğne aspirasyon biyopsisi ve patoloji raporlarının değerlendirilmesi: tanısal doğruluk ve tedavi yönetimine yönelik retrospektif bir inceleme
Evaluation of thyroid nodules through ultrasound, fine needle aspiration biopsy and pathology reports: A retrospective review of diagnostic accuracy and therapeutic management
ALPEREN DALKIRAN
Tıpta Uzmanlık
Türkçe
2024
Genel CerrahiManisa Celal Bayar ÜniversitesiGenel Cerrahi Ana Bilim Dalı
PROF. DR. HASAN AYDEDE
- Tiroid ince iğne aspirasyon biyopsi patoloji raporunda 'önemi belirsiz atipi (Aus): Kategori 3' olarak değerlendirilen hastaların total tiroidektomi sonrası patoloji sonuçlarının değerlendirilmesi
Evaluation of the pathology results after total thyroidectomy of the patients considered as 'atypy of undetermined significance (Aus): Category 3' in the thyroid fine needle aspiration biopsy pathology report
DERYA ATASOY
Tıpta Uzmanlık
Türkçe
2023
İç HastalıklarıSivas Cumhuriyet Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. BARIŞ SARIAKÇALI