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: 89
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
- Beyin mr görüntülerini sınıflandırarak yapay sinir ağları kullanarak beyin tümörü tespiti
Brain tumor detection using neural networks by classifying brain mri images
AHMED M A ABUSAMRA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUAMMER AKÇAY
- 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
- Semi-otomatik doku analiz yöntemi ile grade- 4 glial tümörlerin postoperatif rezeksiyon kavite MRG bulgularının değerlendirilmesi
Evaluation of postoperative resection cavity MRIfindings of grade-4 glial tumors with semi-automatic tissue analysis method
AHMET YASİR ALTUNBULAK
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. GÖKÇEN ÇOBAN ÇİFÇİ
- 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
- Glial tümörlerde moleküler biyobelirteçleri saptamada makine öğrenmesi ve radyomiksin katkısı
The contribution of machine learning and radiomics in identifying molecular biomarkers in glial tumors
ALİ SAMET TASAK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. EMEL ADA