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
- Tez No: 936579
- Danışmanlar: DOÇ. DR. BUKET KAYA
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Teknoloji ve Bilgi Yönetimi Ana Bilim Dalı
- Bilim Dalı: Teknoloji ve Bilgi Yönetimi Bilim Dalı
- Sayfa Sayısı: 88
Özet
Beyin tümörleri her yaştan bireyi etkileyebilen, en ölümcül tümör türlerinden biridir ve teşhis edilmezse yaşamı tehdit edici hale gelerek insan ömrünü kısaltabilir. Etkili tedavi için erken ve doğru teşhis esastır ve bilgisayar destekli tespit sistemleri, tıp uzmanlarının beyin tümörlerini tanımlamasına ve sınıflandırmasına yardımcı olmakta önemli bir rol oynar. Geleneksel yöntemler kullanılarak Manyetik Rezonans görüntülerinden beyin tümörlerinin tespiti, tıp doktorlarının uzmanlığını gerektiren zorlu ve hataya açık bir süreçtir. Yanlış veya eksik teşhis, insan hayatını tehdit eden ciddi sonuçlara yol açabilir. Bu zorlukların üstesinden gelmek için birçok araştırmacı Yapay Zekâ destekli otonom hastalık tespiti üzerinde çalışmaktadır. Bu kapsamda bu tez çalışması, Manyetik Rezonans görüntülerinden beyin tümörlerinin hızlı ve güvenilir bir şekilde teşhisi için etkili ve verimli derin öğrenme modelleri geliştirmeyi ve bu modellerin performansını değerlendirmeyi amaçlamaktadır. Bu çalışmanın ilk aşamasında, Fırat Üniversitesi Girişimsel Olmayan Etik Kurul kararı, Elazığ Fethi Sekin Şehir Hastanesi Başhekimliği ile yapılan Bilimsel Araştırma İzinleri İşbirliği Protokolü ile verilen çalışma yürütme izni ve Elazığ İl Sağlık Müdürlüğü komisyon kararı sonucunda tez çalışmamız için veri seti oluşturulmuştur. Yapılan deneyler sonucunda çalışmanın yöntemi için derin öğrenme modelleri geliştirilmiş fakat veri setindeki Manyetik Rezonans görüntülerinin yeterli sayıda olmaması sebebiyle performans çıktılarının düşük olduğu gözlemlenmiştir. Çalışmanın seyri için hazır veri setleri araştırılmış ve kamuya açık literatürde yaygın olarak kullanılan, araştırmacılara önemli girdiler sunan platformlardan elde edilen üç farklı veri seti ile bu tez çalışması devam ettirilmiştir. Ayrı uygulamalarla deneysel süreçler gerçekleştirilmiş ve üç ayrı başlık altında sunulmuştur. Bu bağlamda, ilk olarak iki ayrı Evrişimli Sinir Ağı altyapısı kullanılarak beyin görüntüleri sınıflandırılmıştır. Bu yaklaşımlardan biri, halen yaygın olarak kullanılan ve başarılı sınıflandırma çıktıları veren bir Derin Sinir Ağı modeli olan VGG-16'dır. Bu teknoloji ile eğitilen modelden %80 nihai doğruluk elde edilmiş ve görüntüler tümör var, tümör yok olarak sınıflandırılmıştır. Bir diğer derin öğrenme yaklaşımı olarak, sıfırdan verimli yeni bir Evrişimli Sinir Ağı tabanlı model geliştirilerek beyin tümörü görüntüleri yüksek doğrulukla sınıflandırılmıştır. Bu sınıflar; Glioma, Meningioma, Pituitary ve tümör yok olmak üzere dört ayrı kategoriyi içermektedir. Eğitim, doğrulama ve test süreçlerinde benzer parametrelerle deneyler yapılmış ve en uygun parametre ayarlamasıyla elde edilen sonuçlar, literatürdeki diğer çalışmalarla ayrıntılı olarak karşılaştırılmış ve aralarındaki farklar ortaya konulmuştur. Ayrıca çalışmanın sağlamlığını ve genellenebilirliğini ortaya koyan bir ablasyon çalışması yapılmış ve sonuçlar tablo halinde sunulmuştur. Çalışmada önerilen yeni Evrişimli Sinir Ağı tabanlı model, doğruluk değerlendirme metriğinde %99.76 oranında yüksek sınıflandırma sonucuna ulaşmış ve diğer değerlendirme metriklerinde de yüksek değerler elde edilmiştir. Ulaşılan sonuçlar, çalışmada önerilen modelin beyin tümörü tespitinde yüksek doğrulukla ve güvenle kullanılabileceğini ve diğer çalışma alanlarına ışık tutabileceğini göstermiştir. Çalışmanın bir diğer ve en özgün yönü, transformatör tabanlı modellerin beyin tümörü sınıflandırma başarısına olan etksinin incelenmesiydi. Transformatör tabanlı derin öğrenme modelleri esnek yapılarının sağladığı avantajlarla birçok hibrit modelde tercih edilmektedir. Ancak görüntü sınıflandırma alanında, az sayıda görüntü içeren veri kümelerinde bu modeller düşük başarı oranına sahiptir. Araştırmacılar bu probleme odaklanan bazı çalışmalar yapmış olsalar da, damıtma (distilasyon) tekniklerinin transformatör tabanlı modellerde sınıflandırma başarısına etkisi detaylı olarak incelenmemiştir. Bu kapsamda bu çalışmanın amacı, düşük veri miktarına sahip veri kümelerinde kullanılan transformatör tabanlı derin öğrenme modellerinin sınıflandırma başarısına damıtma tekniklerinin etkisinin araştırılmasıdır. Çalışmamızda, transformatör tabanlı ancak damıtma tekniklerini kullanmayan ViTx32 ve ViTx16 modelleri ile damıtma tekniklerini kullanan DeiT ve BeiT modelleri kullanılmıştır. Eğitim ve test süreçlerinde beyin Manyetik Rezonans görüntülerini içeren dört sınıflı bir veri kümesi tercih edilmiştir. Yapılan deneyler sonucunda, damıtma belirteçleri kullanan DeiT ve BeiT modellerinin, damıtma tekniği kullanılmayan ViTx16 modeline kıyasla sırasıyla %2.2 ve %1 başarı artışı sağladığı görülmüştür. Bununla birlikte, hasta olmayan bireylerin tespitinde damıtma tekniğinin kullanılmasının sınıflandırma performansını yaklaşık %4 oranında artırdığı görülmüştür. Ayrıca çalışmada modellerin eğitimde harcadığı zaman da detaylı olarak analiz edilmiştir. Çalışmamızdan elde edilen sonuçlar, damıtma tekniğinin kullanılmasının, düşük sayıda veriyle çalışırken transformatör tabanlı derin öğrenme modellerinin sınıflandırma başarısını önemli ölçüde artırdığını göstermektedir. Çalışmada elde edilen bulgulara dayanarak, özellikle tıp alanında sınırlı veri ile geliştirilen esnek modellerde, damıtma tekniği ile transformatör tabanlı modellerin kullanılması önerilmektedir.
Özet (Çeviri)
Brain tumors are among the most lethal types of tumors that can affect individuals of all ages. If left undiagnosed, they can become life-threatening and significantly shorten a person's lifespan. Early and accurate diagnosis is essential for effective treatment, and computer-aided detection systems play a crucial role in assisting medical professionals in identifying and classifying brain tumors. Detecting brain tumors from Magnetic Resonance Imaging (MRI) scans using traditional methods is a challenging and error-prone process that requires the expertise of medical doctors. Incorrect or incomplete diagnoses can lead to severe consequences that endanger human life. To overcome these challenges, many researchers are working on artificial intelligence-assisted autonomous disease detection. In this context, this thesis aims to develop effective and efficient deep learning models for the rapid and reliable diagnosis of brain tumors from MRI scans and to evaluate the performance of these models. In the initial phase of this study, a dataset was created for the thesis research based on the decision of the Fırat University Non-Interventional Ethics Committee, the Scientific Research Permissions Cooperation Protocol with the Elazığ Fethi Sekin City Hospital Directorate, and the commission decision of the Elazığ Provincial Health Directorate. Experiments were conducted, and deep learning models were developed for the study's methodology. However, it was observed that the performance outcomes were low due to the insufficient number of Magnetic Resonance Imaging (MRI) scans in the dataset. To address this limitation, publicly available datasets were explored, and the study proceeded with three different datasets obtained from widely used platforms in the literature, which provide valuable inputs for researchers. Separate experimental processes were carried out and presented under three different sections. In this context, brain image classification was first performed using two different Convolutional Neural Network (CNN) architectures. One of these approaches was VGG-16, a widely used Deep Neural Network model known for its successful classification performance. The model trained with this technology achieved a final accuracy of 80%, classifying images as either“tumor present”or“no tumor”. As another deep learning approach, a new and efficient CNN-based model was developed from scratch to classify brain tumor images with high accuracy. This classification included four distinct categories: Glioma, Meningioma, Pituitary, and No tumor. Experiments were conducted during the training, validation, and testing phases using similar parameters, and the results obtained with the optimal parameter tuning were thoroughly compared with other studies in the literature, highlighting the differences. Additionally, an ablation study was performed to demonstrate the robustness and generalizability of the proposed approach, with the results presented in tabular format. The newly proposed Convolutional Neural Network-based model achieved a high classification accuracy of 99.76% in the accuracy evaluation metric and also obtained high values in other evaluation metrics. These results indicate that the proposed model can be used with high accuracy and reliability in brain tumor detection and may provide valuable insights for other research areas. Another and perhaps the most original aspect of this study was the investigation of the impact of transformer-based models on brain tumor classification performance. Transformer-based deep learning models are commonly preferred in many hybrid architectures due to the advantages provided by their flexible structures. However, in the field of image classification, these models tend to exhibit low performance when used with datasets containing a limited number of images. Although some studies have focused on this issue, the effect of distillation techniques on the classification performance of transformer-based models has not been thoroughly explored. Within this context, the aim of this study is to examine the effect of distillation techniques on the classification performance of transformer-based deep learning models used with datasets of limited size. In our study, transformer-based models that do not employ distillation techniques—ViTx32 and ViTx16—were used alongside distillation-based models—DeiT and BeiT. A four-class dataset comprising brain Magnetic Resonance (MR) images was selected for the training and testing processes. As a result of the experiments, it was observed that the distillation-based models DeiT and BeiT outperformed the ViTx16 model, which does not utilize distillation, by 2.2% and 1%, respectively. Additionally, it was found that the use of distillation techniques increased classification performance by approximately 4% in detecting non-tumorous individuals. Furthermore, the training time of each model was analyzed in detail. The results obtained from our study indicate that applying distillation techniques significantly enhances the classification performance of transformer-based deep learning models, especially when working with limited data. Based on the findings of this study, the use of distillation-enhanced transformer-based models is recommended, particularly in the development of flexible models in the medical domain where data availability is often limited.
Benzer Tezler
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- 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
- 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
- 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
OĞUZHAN ŞİMŞEK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL AKYOL
- Yapay zeka derin öğrenme algoritmaları ile mr görüntüleri ve ameliyat sırasındaki mikroskop görüntüleri kullanılarak derin öğrenme tekniği ile tümör sınıflaması yapılması ve tümörün normal beyin dokusundan ayırt edilmesinin sağlanması
Başlık çevirisi yok
EFECAN ÇEKİÇ
Tıpta Uzmanlık
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
PROF. DR. ADNAN DAĞÇINAR