MRI görüntüleri üzerinden YOLO tabanlı otomatik beyin tümörü tespiti ve sınıflandırılması
YOLO based automatic brain tumour detection and classification using MRI images
- Tez No: 933588
- Danışmanlar: DOÇ. DR. SÜLEYMAN UZUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Beyin tümörleri insan sağlığını ciddi şekilde tehdit eden ölümcül hastalıklardan birisidir. Beyin tümörleri çevredeki beyin dokularına basınç uygulama, hormonların düzensiz salgılanmasına sebep olma, omurilik sıvısının akışını engelleme başta olmak üzere bir çok şekilde insan sağlığını bozabilir ve bilişsel, motor veya duygusal işlevlerde geri dönüşü olmayan bozukluklara da yol açabilir. Beyin tümörlerinin erken teşhisi tedavi sürecine en etkili şekilde başlamak ve hastanın yaşam kalitesinin iyileştirilmesi açılarından oldukça önemlidir. Bununla beraber mevcut sistemlerde görüntülerin işlenmesi ve analiz işlemlerinin elle yapılması zaman alabilmekte ayrıca insan hatası faktörüne de maruz kalabilmekte ve bu sebeplerle teşhis veya tedavi süreçleri olumsuz etkilenebilmektedir. Beyin tümörü tespiti ve sınıflandırması uzmanlık gerektiren zor bir süreç olup doğru müdahelenin zamanında yapılması tedavi başarısını doğrudan etkilemektedir. Bilgisayar donanım alanındaki gelişmeler sonucunda yapay zekâ yöntemlerinin kullanımı her alanda yaygınlaşmıştır. Beyin tümörlerinin tespiti ve sınıflandırılması konusunda da büyük mesafeler katedilmiş olup çalışmalar devam etmektedir. Bu tez kapsamında gerçek zamanlı nesne tespiti hızı karşılığında tespit performansından feragat eden YOLO mimarisinin versiyonları (YOLOv8, YOLOv9, YOLOv10, YOLOv11) ayrı ayrı kullanılarak önce beyin tümörlerinin genel olarak tespiti, sonrasında üç beyin tümör tipinin (gliom, meninjiyom, hipofiz) ayrı ayrı tespiti ve sınıflandırılması üzerine çalışmalar yapılmıştır. Tümör tespitinde YOLOv8 ile %94, YOLOv9 ile %94, YOLOv10 ile %92 ve YOLOv11 ile %95 başarım elde edilmiş ve YOLov11'in performansının literature kıyasla başarılı olduğu gösterilmiştir. Tümör sınıflandırılmasında ise YOLOv10 ile gliom tümörlerinde %90, meninjiyom tümörlerinde %97, hipofiz tümörlerinde %91; YOLOv9 ile gliom tümörlerinde %91, meninjiyom tümörlerinde %99, hipofiz tümörlerinde %89; YOLOv8 ile gliom tümörlerinde %91, meninjiyom tümörlerinde %99, hipofiz tümörlerinde %92; YOLOv11 ileyse gliom tümörlerinde %93, meninjiyom tümörlerinde %99, hipofiz tümörlerinde %94 başarım ile literaturde bulunan çalışmalara kıyasla başarılı sonuçlar elde edilmiştir. Akabinde YOLOv11 versiyonunun farklı boyutlardaki n, s, m, l ve x modellerinin performansları kendi aralarında tekrar karşılaştırılmış ve YOLOv11n modelinin en başarılı olduğu not edilmiştir. Ayrıca, bu tez çalışmasında elde edilen sonuçlara göre tabiplerin karar alma süreçlerinde danışabilecekleri otomatik bir tümör tespit yazılımı yazılarak tıbbi teşhis ve tedavi süreçlerinin hızlandırılmasına önemli bir katkı sağlanmıştır.
Özet (Çeviri)
Brain tumors are one of the deadliest diseases that pose a serious threat to human health. Brain tumors can impair human health in many ways, including pressurizing surrounding brain tissues, causing irregular secretion of hormones, blocking the flow of spinal fluid, and causing irreversible impairments in cognitive, motor or emotional functions. Early detection of brain tumors is crucial to start the treatment process in the most effective way and to improve the patient's quality of life. However, the manual processing and analysis of images in existing systems can be time-consuming and subject to human error, which can adversely affect the diagnosis or treatment process. Brain tumor detection and classification is a difficult process that requires expertise and timely intervention directly affects the success of treatment. As a result of developments in the field of computer hardware, the use of artificial intelligence methods has become widespread in every field. Great progress has been made in the detection and classification of brain tumors and studies are ongoing. In this thesis, the versions of the YOLO architecture (YOLOv8, YOLOv9, YOLOv10, YOLOv11), which sacrifice detection rate in exchange for real-time object detection speed, were used separately to first detect brain tumors in general, and then to detect and classify three brain tumor types (glioma, meningioma, pituitary) separately. In tumor detection, YOLOv8 achieved 94%, YOLOv9 achieved 94%, YOLOv10 achieved 92% and YOLOv11 achieved 95%, showing that the performance of YOLov11 is successful compared to the literature. In tumor classification, YOLOv10 achieved 90% for glioma tumors, 97% for meningioma tumors and 91% for pituitary tumors; YOLOv9 achieved 91% for glioma tumors, 99% for meningioma tumors and 89% for pituitary tumors; YOLOv8 with 91% for glioma tumors, 99% for meningioma tumors, 92% for pituitary tumors; YOLOv11 with 93% for glioma tumors, 99% for meningioma tumors, 94% for pituitary tumors. Subsequently, the performances of the n, s, m, l and x models of different dimensions of the YOLOv11 version were compared again among themselves and it was noted that the YOLOv11n model was the most successful. In addition, according to the results obtained in this thesis, an automatic tumor detection software that can be consulted by physicians in their decision-making processes has been written and a significant contribution has been made to accelerate medical diagnosis and treatment processes.
Benzer Tezler
- Yapay zekâ yöntemleri ile diz MRI görüntülerinden menisküs yırtıklarının tespiti
Determination of meniscus tears from knee MRI images with artificial intelligence methods
MEHMET ALİ ŞİMŞEK
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
- Vocal tract contour tracking for real-time speech MRI using a shape model prior
Gerçek zamanlı konuşma MRI görüntüleri üzerinden şekil ön-modelleri kullanarak ses yolu doku sınır çizgisinin takibi
SASAN ASADIABADI
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENGİN ERZİN
- Diz MRI görüntüleri üzerinde veri artırım teknikleri kullanılarak derin öğrenme tabanlı yaralanma tespiti
Deep learning-based injury detection using data augmentation techniques on knee MRI images
ELİF NUR KÜÇÜK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Beyin yapılarının hacimlerinde yaşa bağlı değişiklikler
Age-related changes of volumes of brain structures
İHSAN MELİH BAŞBELEN
Yüksek Lisans
Türkçe
2017
AnatomiCelal Bayar ÜniversitesiAnatomi Ana Bilim Dalı
PROF. DR. TUNCAY VAROL
DOÇ. DR. ENİS CEZAYİRLİ
- Yapay zeka teknikleri kullanarak serebral enfarktüs tespiti ve sınıflandırması
Detection and classification of cerebral infarction using artificial intelligence techniques
ESRA YÜCE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYozgat Bozok ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET EMİN ŞAHİN
DR. ÖĞR. ÜYESİ HASAN ULUTAŞ