A comprehensive framework for early tumor detection and quality control of MRI images using python
Erken tümör tespiti ve MRI görüntülerinin kalite kontrolü için kapsamlı bir çerçeve Python kullanımı
- Tez No: 943944
- Danışmanlar: PROF. DR. İSKENDER AKKURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Beyin tümörlerinin erken teşhisi, etkili tedavi planlaması ve hasta sağkalım oranlarının artırılması açısından hayati önem taşımaktadır. Manyetik Rezonans Görüntüleme (MRI), üstün yumuşak doku kontrastı sayesinde beyin tümörlerini teşhis etmek için en yaygın kullanılan invaziv olmayan görüntüleme tekniklerinden biridir. Ancak, tümör tespitinin ve sınıflandırılmasının doğruluğu, MRI taramalarının kalitesine bağlıdır ve bu kalite; gürültü, yapaylık (artefaktlar), yoğunluk düzensizlikleri ve görüntüleme tutarsızlıkları gibi çeşitli faktörlerden etkilenebilir. Bu nedenle, yüksek kaliteli MRI verilerinin sağlanması, güvenilir ve hassas tümör tespiti için temel bir gerekliliktir.Bu araştırma projesi, erken beyin tümörü tespitini geliştirmek ve MRI kalite kontrolünü sağlamak amacıyla, derin öğrenme modelleri ve açık kaynaklı MRQy aracını entegre eden kapsamlı bir Python tabanlı çerçeve önermektedir. Evrişimli sinir ağları (CNN) ve Reset ile EfficientNet gibi transfer öğrenme mimarilerine dayalı derin öğrenme modeli, BraTS (Beyin Tümörü Bölütleme Yarışması) ve The Cancer Imaging Archive (TCIA) gibi kamuya açık MRI veri setleri üzerinde eğitilecektir. Modelin performansı; doğruluk (accuracy), kesinlik (precision), geri çağırma (recall), F1 skoru ve AUC-ROC eğrileri gibi standart değerlendirme metrikleri kullanılarak ölçülecek ve böylece modelin sağlamlığı ve genelleştirilebilirliği değerlendirilecektir. Ayrıca, MRQy aracı iş akışına entegre edilerek yaygın görüntüleme artefaktlarının tespit edilmesi, sinyal homojenliğinin sağlanması ve yoğunluk dağılımlarının standartlaştırılması yoluyla MRI taramalarının sistematik olarak değerlendirilmesi ve iyileştirilmesi amaçlanmaktadır. Gürültü azaltma, yanlılık alanı düzeltme (bias field correction) ve normalizasyon gibi ileri düzey ön işleme teknikleri kullanılarak, düşük kaliteli MRI taramalarının derin öğrenme tabanlı sınıflandırma sonuçları üzerindeki olumsuz etkileri en aza indirilecektir. Bu araştırmanın beklenen çıktıları; otomatik tümör tespiti ve segmentasyonu için yüksek doğrulukta ve güvenilir bir derin öğrenme modeli, MRQy kullanılarak oluşturulmuş otomatik bir kalite kontrol hattı ve diğer tıbbi görüntüleme uygulamalarına da genişletilebilecek standart bir çerçevedir. Bu yaklaşım, tanısal doğruluğu artırma, radyolojik iş akışlarını optimize etme ve klinik karar alma süreçlerini geliştirme potansiyeline sahiptir. Sonuç olarak, nöro-onkoloji alanında hasta sonuçlarını iyileştirmeye önemli katkılar sağlayabilir.
Özet (Çeviri)
The early detection of brain tumors is crucial for effective treatment planning and improving patient survival rates. Magnetic Resonance Imaging (MRI) is one of the most widely used non-invasive imaging techniques for diagnosing brain tumors due to its superior soft-tissue contrast. However, the accuracy of tumor detection and classification is highly dependent on the quality of the MRI scans, which can be affected by various factors such as noise, artifacts, intensity inhomogeneity, and acquisition inconsistencies. Ensuring high-quality MRI data is, therefore, an essential prerequisite for reliable and precise tumor detection. This research project proposes a comprehensive Python-based framework that integrates deep learning models and the open-source MRQy tool to enhance early brain tumor detection while simultaneously ensuring MRI quality control. The deep learning model, based on convolutional neural networks (CNNs) and transfer learning architectures such as Reset and Efficient Net, will be trained on publicly available MRI datasets such as Bra TS (Brain Tumor Segmentation Challenge) and The Cancer Imaging Archive (TCIA). The model's performance will be evaluated using standard evaluation metrics, including accuracy, precision, recall, F1-score, and AUC-ROC curves, to ensure its robustness and generalizability. Additionally, MRQy will be integrated into the workflow to systematically assess and improve the quality of MRI scans by detecting common image artifacts, ensuring signal homogeneity, and standardizing intensity distributions. By incorporating advanced preprocessing techniques such as noise reduction, bias field correction, and normalization, we aim to mitigate the impact of poor-quality MRI scans on deep learning-based classification results. The expected outcomes of this research include a highly accurate and reliable deep learning model for automatic tumor detection and segmentation, an automated quality control pipeline using MRQy, and a standardized framework that can be extended to other medical imaging applications. This approach has the potential to improve diagnostic accuracy, optimize radiological workflows, and enhance clinical decision-making, ultimately leading to better patient outcomes in neuro-oncology.
Benzer Tezler
- Meme kanseri tespiti için sentetik mikrodalga görüntülerinin derin öğrenme odaklı segmentasyonu
Driven segmentation of synthetic microwave images for breast cancer detection
ÖZLEM BAHAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- U-net ve sam entegrasyonu ile meme mr görüntülerinde tümör segmentasyonu ve morfolojik işlemlerle takibi
Breast mri tumor segmentation using U-net and sam integration with morphological tracking methods
ALPTUĞ ŞEREF AYYILDIZ
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Non-alkolik yağlı karaciğer hastalığı zemininde gelişenhepatoseluler karsinom ile viral hepatitler zemininde gelişenhepatoseluler karsinom arasındaki genetik molekülerfarklılıkların İn Silico yöntemi ile analizi
Analysis of genetic molecular differences between hepatocellular carcinoma developing in the basis of non-alcoholic fatty liver disease and hepatocellular carcinoma developing in the basis of viral hepatitis by In Silico method
AYSU USUBBAYLI
Tıpta Uzmanlık
Türkçe
2024
GastroenterolojiDokuz Eylül Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. NİLAY DANIŞ
- Koroner arter hastalığının makine öğrenmesi teknikleriyle teşhisi
Diagnosis of coronary artery disease using machine learning techniques
ŞÜKRÜ ALKAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR