Manyetik rezonans görüntülerinden beyin tümörünün sınıflandırılması için derin öğrenme tabanlı karar destek sistemi
A deep learning-based decision support system for classification of brain tumors from magnetic resonance images
- Tez No: 935396
- Danışmanlar: DOÇ. DR. KEMAL AKYOL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kastamonu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Beyin, insan vücudunun en karmaşık ve hayati organlarından biri olup, temel işlevlerin yanı sıra bilişsel süreçlerden de sorumludur. Beyin tümörleri, Gliom, Meninjiyom ve Hipofiz gibi farklı türlerde görülmekte olup, doğru teşhis ve sınıflandırma kritik öneme sahiptir. Bu çalışmada, MR görüntülerine dayalı derin öğrenme tabanlı bir karar destek sistemi sunulmaktadır. Sistem, dört farklı sınıftan oluşan (Gliom, Meninjiyom, Hipofiz ve Sağlıklı) veri seti üzerinde yüksek doğrulukta sınıflandırma yapmayı hedeflemektedir. Sınıflandırma öncesinde veri seti üzerinde ön işleme adımları gerçekleştirilmiş, YOLOv8 ve CenterNet algoritmaları kullanılarak beyin bölgesi tespit edilip kırpılmış, böylece iki yeni veri seti oluşturulmuştur. Sonuç olarak, üç veri seti (Orijinal, YOLOv8, CenterNet) ile analizler yapılmıştır. Sınıflandırma süreci üç deneysel çalışma üzerinden yürütülmüştür. İlk deneysel çalışmada, önceden eğitilmiş VGG-16, VGG-19 ve ResNet-50 modelleri doğrudan görüntü verileri üzerinde eğitilmiştir. İkinci deneysel çalışmada ViT, BEiT ve DINOv2 modelleri veri setleri üzerinde eğitilmiş ve transformer tabanlı modellerin başarısı incelenmiştir Üçüncü deneysel çalışmada ise, ViT, BEiT ve DINOv2 modelleriyle çıkarılan özellikler LR, DVM ve k-EYK algoritmalarıyla eğitilmiştir. Bu üç deneysel çalışmada elde edilen sonuçlar doğrultusunda, en yüksek performansa sahip üç model belirlenerek topluluk öğrenmesi yöntemiyle birleştirilmiştir. Katı oylama ve yumuşak oylama yöntemleri uygulanmış, katı oylama yöntemiyle %99,50 doğruluk oranına ulaşılmıştır. Son aşamada, geliştirilen model kullanıcı dostu bir arayüz ile desteklenmiş, kullanıcıların MR görüntülerini yükleyerek sınıflandırma işlemini gerçekleştirmesi sağlanmıştır. Bu kapsamlı yaklaşım, farklı nesne tespit algoritmaları ve sınıflandırıcıları değerlendirerek, beyin tümörlerinin teşhisinde etkili bir karar destek sistemi sunmayı amaçlamaktadır.
Özet (Çeviri)
The brain is one of the most complex and vital organs of the human body, responsible not only for fundamental functions but also for cognitive processes. Brain tumors, including Glioma, Meningioma, and Pituitary tumors, manifest in various forms, making accurate diagnosis and classification crucial. This study presents a deep learning-based decision support system for brain tumor classification using MRI scans. The system aims to achieve high-accuracy classification on a dataset comprising four distinct classes: Glioma, Meningioma, Pituitary Tumor, and Healthy. Prior to classification, preprocessing steps were applied to the dataset. The YOLOv8 and CenterNet algorithms were employed to detect and crop the brain region, thereby generating two new datasets. As a result, three datasets (Original, YOLOv8, and CenterNet) were utilized for analysis. The classification process was conducted through three experimental studies. In the first experiment, pre-trained VGG-16, VGG-19, and ResNet-50 models were directly trained on image data. The second experiment involved training transformer-based models, including ViT, BEiT, and DINOv2, to assess their performance. In the third experiment, features extracted by ViT, BEiT, and DINOv2 were used to train classification algorithms such as Logistic Regression (LR), Support Vector Machine (SVM), and k-Nearest Neighbors (k-NN). Based on the results of these three experimental studies, the three highest-performing models were selected and combined using ensemble learning. Both hard and soft voting techniques were applied, with hard voting achieving an accuracy rate of 99.50%. Finally, the developed model was integrated into a user-friendly interface, enabling users to upload MRI scans and perform classification. This comprehensive approach evaluates different object detection algorithms and classifiers to provide an effective decision support system for brain tumor diagnosis.
Benzer Tezler
- Beyin tümörünün manyetik rezonans görüntüleri üzerinden derin öğrenme yaklaşımlarıyla erken teşhisi ve sınıflandırılması
Early diagnosis and classification of brain tumors using deep learning approaches on magnetic resonance images
AYNUR SEVİNÇ
Doktora
Türkçe
2025
Bilim ve TeknolojiFırat ÜniversitesiTeknoloji ve Bilgi Yönetimi Ana Bilim Dalı
DOÇ. DR. BUKET KAYA
- Derin öğrenme yöntemlerini kullanarak MR görüntülerinden otomatik tümör tespiti
Automatic tumor detection from brain MRI images using deep learning techniques
NECİP ÇINAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Derin öğrenme tabanlı beyin MR görüntülerinden beyin tümörlerinin tespit edilmesi ve sınıflandırılması
Detection and classification of brain tumors from MR images based on deep learning
ALİ ARI
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- 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
- Dalgacık dönüşümü ve derin öğrenme tabanlı yöntemler kullanarak beyin tümörlerinin sınıflandırılması
Classification of brain tumors using wavelet transform and deep learning-based methods
ZİHNİ KAYA
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER ASLAN