Enhancing brain tumor classification with high accuracy: a generalizable deep learning approach utilizing densenet201
Beyin tümörü sınıflamasının yüksek doğrulukla geliştirilmesi: Densenet201 kullanılan genelleştirilebilir derin öğrenme yaklaşımı
- Tez No: 940484
- Danışmanlar: DOÇ. DR. OĞUZ ATA
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin tümörleri agresif karakterleri ve türlerinin çeşitliliği nedeniyle küresel sağlık açısından ciddi bir tehdit oluşturmaktadır. MR, erken teşhis ve tedavi planlaması için gerekli olan tıbbi bir görüntüleme yöntemidir. DenseNet201 derin öğrenme mimarisi, beyin tümörlerini sınıflandırmak için benzersiz bir yaklaşımın temelini oluşturur. Bu metodoloji, dört benzersiz tümör tipini içeren bir MRI görüntüleme veri kümesini kullanır: glioma, hipofiz adenomu, menenjiyom ve tümörsüz. Sınıflandırma sürecinin doğruluğunu artırmak için aşırı uyumu azaltacak ve genellemeyi artıracak stratejiler kullanılır. Beyin tümörleri söz konusu olduğunda bu yöntem erken teşhis ve tedavi planlaması açısından önemlidir. Modelimiz, bağımsız bir test verileri incelemesinde %99,77 oranında şaşırtıcı bir doğruluk elde etti. Tümör morfolojisindeki farklılıklara ve kategoriler içindeki benzerliklere rağmen tekniğimiz, yüksek doğruluğunun da kanıtladığı gibi, beyin malignitelerini açıkça sınıflandırıyor. Ayrıca bulgularımızın çeşitli ileri düzey derin öğrenme teknikleriyle kapsamlı bir karşılaştırmasını yaptık. VGG19, EfficientNetV2, ResNet50 ve ResNetRS50 dahil. EfficientNetV2'nin doğruluğu %96,58 iken VGG19'un doğruluğu %96,88'di. ResNet50, %98,71'lik doğruluk oranıyla da görüldüğü gibi olağanüstü etkinliğiyle dikkat çekiyor. Beyin tümörü sınıflandırmasına yönelik potansiyeli, ResNetRS50 modelinin olağanüstü %99,77 doğruluk oranıyla daha da kanıtlanmıştır. Otomatik beyin tümörü tanımlama ix yöntemlerindeki gelişmeleri ortaya koyan çalışma, hasta bakımı ve tıpta yenilikçi bir görüntüleme çağı başlatıyor. En son teknolojiye sahip derin öğrenme algoritmalarından yararlanan bu teknik sayesinde beyin kanseri tespiti tamamen değişebilir. Bunun sonucunda erken tedavi, daha hızlı tanı ve daha iyi hasta sonuçları elde edilebilir. Bu teknolojiyi kullanarak klinisyenler akıllı tedavi planları tasarlayabilir ve bu, çağdaş nöro-onkolojide bir mihenk taşı haline gelebilir. Hastalara, ailelere ve tıp uzmanlarına umut ve iyimserlik sunan bu araştırma, beyin tümörleriyle mücadelede büyük bir atılımı temsil ediyor. Gelecekte daha az yaygın bir beyin tümörünün yanı sıra şefkat, doğruluk ve devam eden yenilik ve ekip çalışması yoluyla yaşam kalitesinde iyileşme ile işaretlenen bir iyileşme süreci öngörülüyor.
Özet (Çeviri)
Brain tumors represent a serious threat to global health, because of their aggressive character and variety of types. MRI is a medical imaging method that is required for early diagnosis and treatment planning. The DenseNet201 deep learning architecture serves as the foundation for a unique approach to classify brain tumors This methodology utilizes an MRI imaging dataset that includes four unique tumor types: glioma, pituitary adenoma, meningioma, and no tumor. To increase the classification process's accuracy, strategies are used to lessen overfitting and boost generalization. When it comes to brain tumors, this method is essential for early identification and treatment planning. Our model achieved an astonishing 99.77% accuracy in an independent test-data review. Despite differences in tumor morphology and similarities within categories, our technique clearly classifies brain malignancies, as evidenced by its high accuracy. In addition, we have conducted a comprehensive comparison of our findings with various cutting-edge deep learning techniques. including VGG19, EfficientNetV2, ResNet50, and ResNetRS50. Whereas EfficientNetV2 had an accuracy of 96.58%, VGG19 had 96.88% accuracy. ResNet50 is notable for its extraordinary effectiveness, as seen by its accuracy of 98.71%. vii Its potential for brain tumor classification was further demonstrated by the ResNetRS50 model's outstanding 99.77% accuracy rate. An innovative era of imaging for patient care and medicine is being ushered in by the study, which discloses developments in automated brain tumor identification methods. Brain cancer detection could be completely changed by this technique, which makes use of cutting-edge deep learning algorithms. Early treatment, a quicker diagnosis, and better patient outcomes could result from this. By using this technology, clinicians may design smart treatment plans and it could become a cornerstone in contemporary neuro-oncology. Offering patients, families, and medical professionals hope and optimism, this research represents a major breakthrough in the fight against brain tumors. A less prevalent brain tumor is envisioned in the future, along with a healing process marked by compassion, accuracy, and an improvement in life quality through ongoing innovation and teamwork.
Benzer Tezler
- Landsat uyduları aracılığı ile elde edilen görüntülerin işlenmesinde kontrast artırma tekniklerinin tanımı ve bu tekniklere ilişkin bilgisayar programlarının hazırlanması üzerine bir çalışma
Başlık çevirisi yok
BİLHAN TABAK
Yüksek Lisans
Türkçe
1986
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Isı borusu prensibinin güneşli su ısıtıcılarına ve damıtmaya uygulanması
Başlık çevirisi yok
ALİ YÜCEL UYAREL
- Batı Anadolu linyitlerinin koklaşabilme özelliklerinin incelenmesi
The Investigation of cokingability properties of west-anatolia lignites
JALE YANIK
- Protein biyosentez inhibitörlerinin bazı bitki viruslarına etkileri üzerinde araştırmalar
Research on the effects of protein biosynthesis inhibitors on some plant viruses
SEBİLA AKSOY