Beyin tümörlerinin sınıflandırılmasında derin öğrenme yöntemleri ile glioblastoma tümörünün tespiti ve evrim analizi
Detection and evolution analysis of glioblastoma tumor in brain tumor classification using deep learning
- Tez No: 935492
- Danışmanlar: DR. ÖĞR. ÜYESİ FERHAT ATASOY
- 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: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Beyin tümörü segmentasyonu, tıbbi görüntülemede kritik bir görev olup, doğru teşhis ve tedavi planlaması için büyük önem taşımaktadır. Bu çalışmada, BraTS veri seti kullanılarak üç farklı U-Net modeli geliştirilmiş ve karşılaştırılmıştır. Veri seti, 2020, 2021, 2022 ve 2023 yıllarına ait verilerin birleştirilmesiyle oluşturulmuş ve FLAIR, T2-ağırlıklı (T2W) ve T1 kontrastlı (T1C) modalitelerini içeren çok kanallı bir giriş formatı kullanılmıştır. Geliştirilen ilk model, FLAIR, T2W ve T1C modalitelerini içeren üç kanallı bir giriş kullanırken, diğer iki model tek kanallı olarak yalnızca T1C ve FLAIR modalitelerine dayanmaktadır. Model performansını artırmak amacıyla ön işleme aşamasında normalizasyon teknikleri uygulanmış, bu sayede farklı görüntüler arasındaki yoğunluk değişimleri dengelenerek daha verimli bir öğrenme süreci sağlanmıştır. Eğitim süreci, tümörlerin yapısal özelliklerini temsil eden anotasyonlar ile desteklenmiş ve veri artırma (data augmentation) teknikleri ile güçlendirilmiştir. Modeller 127 MRI görüntüsü üzerinde değerlendirilmiştir. Üç kanallı model %98 doğruluk oranı ve 0.75 Dice Katsayısı elde ederken, tek kanallı T1C modeli %99 doğruluk oranı ve 0.94 Dice Katsayısı ile en yüksek performansı göstermiştir. Tek kanallı FLAIR modeli ise %99 doğruluk oranı ve 0.85 Dice Katsayısı elde etmiştir. Bu bulgular, tek modlu (tek kanallı) modellerin özellikle T1C modelinin çok kanallı modele kıyasla daha yüksek segmentasyon doğruluğu ve örtüşme metrikleri sağladığını ortaya koymuştur. Segmentasyonu yapılan tümörlerin sınıfının belirlenmesi ve evrim analizinin gerçekleştirilmesi amacıyla, BraTS veri setinin segmentasyon sonuçlarından 2D görüntüler elde edilmiştir. Bu görüntüler, YOLOv8 modeli eğitimi için uygun formata dönüştürülmüş ve ardından segmentasyonu yapılan tümörlerin Glioblastoma olup olmadığını ve evrim sürelerini tahmin eden bir model geliştirilmiştir. Geliştirilen model, segmentasyon sonucu elde edilen 2 boyutlu görüntüler üzerinde doğru sınıflandırmalar yapmış ve %98.5, evrim süresi sınıflandırma modeli %91.5 doğruluk oranı ile başarılı sonuçlar elde etmiştir. Kullanılabilirliği artırmak amacıyla, hem segmentasyon sonuçlarını hem de tespit edilen bilgileri içeren basit ve kullanıcı dostu bir arayüze sahip bir uygulama geliştirilmiştir.
Özet (Çeviri)
Brain tumor segmentation is a critical task in medical imaging, playing a crucial role in accurate diagnosis and treatment planning. In this study, three different U-Net models were developed and compared using the BraTS dataset. The dataset was created by combining data from the years 2020, 2021, 2022, and 2023, incorporating a multi-channel input format consisting of FLAIR, T2-weighted (T2W), and T1 contrast-enhanced (T1C) modalities. The first developed model utilized a three-channel input comprising FLAIR, T2W, and T1C modalities, whereas the other two models were single-channel, based solely on T1C and FLAIR modalities, respectively. To enhance model performance, normalization techniques were applied during preprocessing, balancing intensity variations across different images and ensuring a more efficient learning process. The training process was supported with annotations representing the structural characteristics of tumors and further strengthened using data augmentation techniques. The models were evaluated on 127 MRI images, where the three-channel model achieved 98% accuracy with a Dice coefficient of 0.75. The single-channel T1C model demonstrated the highest performance, reaching 99% accuracy with a Dice coefficient of 0.94, while the single-channel FLAIR model achieved 99% accuracy with a Dice coefficient of 0.85. These findings highlight that single-modality models, particularly the T1C model, provide superior segmentation accuracy and overlap metrics compared to the multi-channel approach. To further classify the segmented tumors and analyze their progression, 2D images were extracted from the segmentation results of the BraTS dataset. These images were then converted into a suitable format for training the YOLOv8 model. Subsequently, a classification model was developed to determine whether the segmented tumor was a Glioblastoma and to estimate its progression duration. The developed model made accurate classifications on 2D images obtained from segmentation results, achieving a success rate of 98.5% accuracy. The evolution time classification model also performed successfully, with an accuracy rate of 91.5%. To enhance usability, a simple and user-friendly application was developed, integrating both the segmentation results and the identified tumor information within an intuitive interface.
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
- Derin öğrenme yöntemleri kullanarak beyin tümörü teşhisi ve sınıflandırması
Brain tumor diagnosis and classification using deep learning methods
ABDULLAH SAKIN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT HEKİM
- Nesne tespiti ve görüntü sınıflandırmada derin öğrenme modellerine dayalı yeni yöntemlerin geliştirilmesi
Development of novel deep learning-based methods for object detection and image classification
MALIKI MOUSTAPHA
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL ÖZTÜRK
- Detection of cancerous brain cells with machine learning
Makine öğrenimi ile kanserli beyin hücrelerinin tespiti
UYGAR CANKAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER DANIŞMAN
- Derin öğrenme uygulaması destekli pekiştirmeli öğrenme algoritması ile beyin kanserileri tanı ve sınıflandırılmasında arayüz oluşturulması
Development of interface for the diagnosis and classification of brain cancers with reinforcement learning algorithm supported by deep learning application
SEDA ARIKAN
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriAkdeniz ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM SARAÇ
DOÇ. DR. YİĞİT ALİ ÜNCÜ