Hdaru-net tabanlı derin öğrenme yaklaşımın tıbbi görüntülerdeki performansı: Adenoid hipertrofisi ve cilt lezyonları üzerine bir inceleme
Performance of the hdaru-net based deep learning approach on medical images: A study on adenoid hypertrophy and skin lesions
- Tez No: 940414
- Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM, DOÇ. DR. EMRULLAH ACAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Cilt lezyonları ve adenoid hipertrofisi (AH) gibi tıbbi hastalıkların doğru şekilde segmentasyonu ve adenoid hipertrofisinin sınıflandırılması, hasta bakımında kritik bir rol oynamaktadır. Ancak, manuel görüntü analizi ve görsel inceleme gibi geleneksel teşhis yöntemleri, teşhis doğruluğunu sınırlayan önemli zorluklar barındırmaktadır. Bu geleneksel teknikler, genellikle uzmanlar tarafından endoskopi veya radyografik değerlendirme yoluyla gerçekleştirildiğinden, zaman alıcı olmasının yanı sıra insan hatasına açık bir yapı sergilemektedir. Bu durum, teşhis gecikmelerine, tekrarlayan muayenelere ve uzman katılımının gerekliliğiyle birlikte artan maliyetlere yol açmaktadır. Son yıllarda, yapay zeka (YZ) ve derin öğrenme (DÖ) alanındaki gelişmeler, özellikle tıbbi görüntü analizinde teşhis verimliliğini artırabilecek otomatik yaklaşımlar sunmuştur. Ancak, geleneksel derin öğrenme modelleri, görüntülerdeki gürültü, lezyon görünümündeki çeşitlilik ve düzensiz kontrast gibi karmaşık değişkenliklerle başa çıkmada hâlâ yetersiz kalabilmektedir. Bu çalışma, segmentasyon için Hibrit Dense Attention Residual (HDARU-Net) modeli ve sınıflandırma için ensemble derin öğrenme tabanlı sınıflandırma modellerini içeren derin öğrenme yaklaşımlarını uygulayarak bu sınırlamaları aşmayı hedeflemektedir. Batman Eğitim ve Araştırma Hastanesi'nden elde edilen benzersiz bir adenoid veri seti ile International Skin Image Collabration (ISIC) cilt lezyonu veri setini kullanarak, HDARU-Net modelinin performansını, U-Net, U-Net++ ve SegNet gibi derin öğrenme tabanlı segmentasyon modelleri ile karşılaştırmalı olarak incelemektedir. Çalışmada önerilen HDARU-Net modeli, tıbbi görüntülerde ilgili bölgelerin daha hassas bir şekilde sınırlandırılmasına olanak tanımakta, bu durumun daha güvenilir teşhis ve hasta vakalarında tutarlılığın sağlanması açısından kritik öneme sahiptir. Sonuçlar, segmentasyonun sınıflandırma görevleriyle entegrasyonunun, özellikle karmaşık cilt lezyonları ve adenoid hipertrofisi vakaları için tanısal doğruluğu önemli ölçüde artırdığını göstermektedir. Bu çalışma, HDARU-Net modelinin yalnızca teşhis süresini azaltmakla kalmayıp aynı zamanda manuel analiz gerektiren tekrarlayan işlemleri minimize ederek ekonomik maliyetleri de düşürdüğünü ortaya koymaktadır. Elde edilen bulgular, klinik ortamlarda teşhis sürecini hızlandırma, zamanında tıbbi müdahaleyi destekleme ve hasta sonuçlarını iyileştirme açısından önemli etkilere sahiptir. Bu tez çalışmasında, YZ tabanlı tıbbi teşhis alanına katkı sağlayarak, diğer karmaşık tıbbi hastalıkların teşhisinde de otomatikleştirebilecek sağlam bir çerçeve sunmaktadır.
Özet (Çeviri)
The accurate segmentation of medical conditions such as skin lesions and adenoid hypertrophy, as well as the classification of adenoid hypertrophy, plays a critical role in patient care. However, traditional diagnostic methods such as manual image analysis and visual examination pose significant challenges that limit diagnostic accuracy. Since these conventional techniques are typically performed by experts through endoscopy or radiographic evaluation, they are not only time-consuming but also prone to human error. This leads to diagnostic delays, repeated examinations, and increased costs due to the necessity of expert involvement. In recent years, advancements in artificial intelligence (AI) and deep learning have introduced automated approaches that can enhance diagnostic efficiency, particularly in medical image analysis. However, traditional deep learning models still struggle to handle complex variations such as noise in images, variations in lesion appearance, and irregular contrast. This study aims to overcome these limitations by implementing deep learning approaches, including the Hybrid Dense Attention Residual (HDARU-Net) model for segmentation and ensemble deep learning-based classification models for classification. Using a unique adenoid dataset obtained from Batman Training and Research Hospital and the International Skin Image Collaboration (ISIC) skin lesion dataset, the study comparatively examines the performance of the HDARU-Net model against deep learning-based segmentation models such as U-Net, U-Net++, and SegNet. The proposed HDARU-Net model enables more precise delineation of relevant regions in medical images, which is crucial for ensuring more reliable diagnoses and consistency in patient cases. The results demonstrate that integrating segmentation with classification tasks significantly improves diagnostic accuracy, particularly for complex skin lesions and adenoid hypertrophy cases. This study reveals that the HDARU-Net model not only reduces diagnostic time but also minimizes repetitive procedures requiring manual analysis, thereby lowering economic costs. The findings have significant implications for accelerating the diagnostic process in clinical settings, supporting timely medical interventions, and improving patient outcomes. This thesis study contributes to AI-based medical diagnostics by providing a robust framework that can also be applied to the diagnosis of other complex medical conditions.
Benzer Tezler
- H.1312/M.1894-1895 tarihli“Dârü'l-Muallimîn Programı”adlı eserin transkripsiyonu ve değerlendirilmesi
Transcription and evaluation of the work entitled“Dârü'l-Muallimîn Program”dated H.1312/M.1894-1895
HAMİT SEZER
Yüksek Lisans
Türkçe
2025
TarihMalatya Turgut Özal ÜniversitesiTarih Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HABİBE POLAT
- 105 numaralı Sivas Şer'iyye sicili (H.1306-1314/m.1888-1896) transkripsiyon ve değerlendirme
Sivas Şer'iyye record number 105 (H.1306-1314/g.1888-1896) transcription and discussion
ASİYE KARAHAN
- 2 no'lu Hadariye Defterine göre Osmanlı Balkanları'nda Dubrovnik diplomasisi ve sosyo-ekonomik faaliyetleri (H. 1124-1158/1712-1745)
Dubrovnik diplomacy and socio-economic activities in the Ottoman Balkans according to the Hadariye Book no. 2 (H. 1124-1158/1712-1745)
AYŞE ÖZTÜRK
Yüksek Lisans
Türkçe
2026
TarihBilecik Şeyh Edebali ÜniversitesiTarih Ana Bilim Dalı
DOÇ. DR. CİHAN YEMİŞÇİ
- 2 No'lu Hadariye Defteri (s.52-100) transkripsiyon, değerlendirme ve metin (H.1081-1097/M.1670-1686)
Book of Hadariye No. 2 (p.52-100) transcription, evaluation and text (H.1081-1097/M.1670-1686)
HANİFE DURSUN
Yüksek Lisans
Türkçe
2023
TarihBilecik Şeyh Edebali ÜniversitesiTarih Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CİHAN YEMİŞÇİ
- Ceride-i İlmiyye'ye göre Osmanlı son döneminde ilmiyenin işleyişi
The functi̇on of ilmi̇yye insti̇tuti̇on in late Ottoman Empire accordi̇ng to Ceri̇de-i̇ İlmi̇yye
HİLAL YENİLMEZ
Yüksek Lisans
Türkçe
2019
TarihMarmara Üniversitesiİslam Tarihi ve Sanatları Ana Bilim Dalı
PROF. DR. TAHSİN ÖZCAN