Geri Dön

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

PDF İndir

  1. Tez No: 940414
  2. Yazar: SEDAT ÖRENÇ
  3. Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM, DOÇ. DR. EMRULLAH ACAR
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 126

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

  1. Tez No

    744343

    Bıldırcınlarda farklı genotip ve yerleşim sıklığının besi performansı ve karkas kalitesine etkisi

    The effect of genottype and stocking density on fatteningperformance and carcass quality of quails

    HASAN KURŞUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mühendislik BilimleriKahramanmaraş Sütçü İmam Üniversitesi

    Zootekni Ana Bilim Dalı

    PROF. DR. MESUT KARAMAN

  2. Tez No

    502560

    A study on the optical and mechanical properties of optical thin films

    Optik ince filmlerin mekanik ve optik özellikleri üzerine bir çalışma

    ALP EREN SİNAN ÖZHAN

    Doktora

    İngilizce

    İngilizce

    2018

    Makine MühendisliğiAtılım Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGİN KAFTANOĞLU

Geri Dön