Geri Dön

Derin öğrenme yaklaşımlarıyla radyolojik görüntülerin bölütlenmesi ve sınıflandırılması: Klinik bir uygulama

Segmentation and classification of radiological images with deep learning approaches: A clinical application

PDF İndir

  1. Tez No: 943122
  2. Yazar: HÜSEYİN KUTLU
  3. Danışmanlar: PROF. DR. CEMİL ÇOLAK
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Derin öğrenme, Karotid arter bölütleme, Klinik karar destek sistemi, Meme lezyonu bölütleme ve sınıflandırma, Breast lesion segmentation and classification, Carotid artery segmentation, Clinical decision support system, Deep learning
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmada üç aşama izlenmiştir. İlk olarak, farklı derin öğrenme mimarilerinin bölütleme ve sınıflandırma performansları karşılaştırılmıştır. İkinci aşamada, en etkili algoritmalar tespit edilmiştir. Son olarak, belirlenen algoritmalar kullanılarak biri karotid arter yapısının radyolojik görüntülerden otomatik bölütlenmesini, diğeri ise meme lezyonlarının otomatik bölütlenmesini ve sınıflandırılmasını gerçekleştiren iki ayrı klinik karar destek sistemi geliştirilmiştir. Materyal ve Metot: Çalışmada, meme ultrason görüntüleri ve karotid arter ultrason görüntülerinden oluşan iki veri seti kullanılmıştır. Bu veri setleri üzerinde, U-Net, SegNet, DeepLab v3+, Mask R-CNN, Attention U-Net, U-Net++, TransUNet, Swin-Unet ve Vision Mamba UNet olmak üzere dokuz farklı derin öğrenme mimarisinin bölütleme performanları karşılaştırılmıştır. Performans değerlendirmesinde ise DSC, IoU gibi metrikler kullanılmıştır. Ayrıca meme ultrason görüntüleri dokuz farklı CNN modeli ve Swin-Transformer ve Vision-Transformer ile sınıflandırılmıştır. Performansı en yüksek bölütleme ve sınıflandırma algoritmaları tez kapsamında geliştirilen web tabanlı klinik uyulamalarda kullanılmıştır. Bulgular: Vision Mamba UNet tüm veri setleri üzerinde en yüksek bölütleme performansını göstermiştir. Vision Mamba UNet, ortalama 0.943 DSC ve 0.896 IoU metrik değerleri elde ederken; Swin UNet de benzer bir performans sergilemiştir. Vision Transformer 88.7 f1 değeri ile sınıflandırma konusunda öne çıkmıştır. Vision Mamba UNet ve Vision Transformer ile geliştirilen karotid arter bölütlemesi ve meme ultrason görüntülerinden lezyon bölütleme ve sınıflandırma web uygulamalarından, kullanım kolaylığı, hız ve doğruluk açısından olumlu sonuçlar alınmıştır. Sonuç: Geliştirilen web uygulamaları; klinik karar süreçlerine dahil edilebilecek, radyologların iş yükünü azaltarak tanı sürecini hızlandırabilecek ve hassasiyetini artırabilecek potansiyele sahiptir.

Özet (Çeviri)

Aim: This study was carried out in three stages. First, the segmentation and classification performances of various deep learning architectures were compared. In the second stage, the most effective algorithms were identified. Finally, two separate clinical decision-support systems were developed using the selected algorithms—one for automatic segmentation of the carotid artery structure from radiological images, and the other for automatic segmentation and classification of breast lesions. Materials and Methods: Two datasets were used: breast ultrasound images and carotid artery ultrasound images. On these datasets, nine deep learning architectures U-Net, SegNet, DeepLab v3+, Mask R-CNN, Attention U-Net, U-Net++, TransUNet, Swin-Unet, and Vision Mamba UNet were compared in terms of segmentation performance. Dice Similarity Coefficient (DSC) and Intersection over Union (IoU) metrics were employed for performance evaluation. Additionally, the breast ultrasound images were classified using nine different CNN models as well as Swin Transformer and Vision Transformer. The segmentation and classification algorithms that achieved the highest performance were then integrated into the web-based clinical applications developed for this thesis. Results: Vision Mamba UNet demonstrated the highest segmentation performance across both datasets, achieving an average DSC of 0.943 and an IoU of 0.896; SwinUNet showed similarly strong performance. For classification, Vision Transformer stood out with an F1 score of 88.7. The web applications based on Vision Mamba UNet and Vision Transformer—for carotid artery segmentation and breast lesion segmentation/classification, respectively—yielded positive feedback in terms of ease of use, speed, and accuracy. Conclusion: The developed web-based applications have the potential to be incorporated into clinical decision workflows, reducing radiologists' workload, accelerating the diagnostic process, and improving diagnostic accuracy.

Benzer Tezler

  1. Tez No

    642744

    Deep learning analysis in dermoscopy images

    Dermoskopi görüntülerinde derin öğrenme analizi

    FATİH ERGİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL BURAK PARLAK

  2. Tez No

    1020599

    Deep learning applications in oral and maxillofacial radiology

    Ağız, diş ve çene radyolojisinde derin öğrenme uygulamaları

    ELHAM TAHSIN YASIN YASIN

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT KÖKLÜ

  3. Tez No

    943112

    Implementation of nested dilated-based trans-r2unet for segmentation and adaptive efficientnet with region attention mechanism to classify

    Segmentasyon için yuvalanmış genişletilmiş tabanlı trans-r2unet ve bölge dikkat mekanizması ile uyarlanabilir effıcıentnet'in cbct görüntüleri

    MOHAMMED KHAMEES KHALAF ALBORISHA

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Altınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER KURNAZ

  4. Tez No

    945247

    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

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

    PROF. DR. TURGAY İBRİKÇİ

  5. Tez No

    988865

    Mandibular üçüncü molarların çekim zorluğunun açıklanabilir derin öğrenme teknikleri ile tahmini

    Prediction of the extraction difficulty of mandibular third molars using explainable deep learning techniques

    İSMAİL KAYADİBİ

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. UTKU KÖSE

    DOÇ. DR. GÜR EMRE GÜRAKSIN

Geri Dön