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
- Tez No: 945247
- Danışmanlar: PROF. DR. ULUS ÇEVİK, PROF. DR. TURGAY İBRİKÇİ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Bilim Dalı
- Sayfa Sayısı: 95
Özet
Beyin tümörlerinin tespiti ve sınıflandırılması, tümörlerin mekanizmalarının daha iyi anlaşılması açısından hayati öneme sahiptir. Bilgisayarlı Tomografi (BT) ve Manyetik Rezonans Görüntüleme (MRG), radyologların tümör bölgelerini tanımlamasına yardımcı olan ileri düzey tıbbi görüntüleme teknikleridir. Ancak bu süreç zaman alıcıdır ve bu görüntülerin manuel olarak analiz edilmesi için önemli düzeyde uzmanlık gerektirir. İçinde bulunduğumuz on yıl,“Yapay Zekâ Devrimi”olarak adlandırılan bir dönüşüme tanıklık etmektedir. Yapay zekâ, makine öğrenmesi ve derin öğrenme gibi ileri teknolojilerden yararlanarak radyologların beyin tümörlerini daha güvenilir ve verimli bir şekilde tespit etmesini mümkün kılmaktadır. Geleneksel makine öğrenmesi yöntemleri, çoğunlukla sınıflandırma amacıyla el ile belirlenmiş özniteliklerin çıkarılmasına dayanır. Bu çalışmada, beyin tümörlerinin BT ve MRG görüntülerinin segmentasyonu amacıyla YOLOv9e-CSP-Darknet53 mimarisi, vektörleştirme teknikleri ve MobileNetV2-SSD bir araya getirilerek bir model geliştirilmesi amaçlanmıştır. Çalışmada biri özel olmak üzere toplam üç veri seti kullanılmıştır. Özel veri seti, tümör boyutuna göre büyük, orta ve küçük olmak üzere üç sınıfa ayrılmış toplam iki bin sekiz yüz seksen dokuz görüntüden oluşmaktadır. Tüm veri setlerine görüntü vektörleştirmesi dâhil olmak üzere ön işleme adımları uygulanmıştır. Modelin başarımı çeşitli ölçütler kullanılarak değerlendirilmiştir. Eğitim ve test sürecinde mAP@50 değeri küçük tümörler için yüzde doksan iki, orta boy tümörler için yüzde doksan yedi virgül bir ve büyük tümörler için yüzde doksan sekiz virgül sekiz olarak elde edilmiştir. Modelin etkinliğini ve genellenebilirliğini göstermek amacıyla gerçek zamanlı klinik uygulama modeli olarak Jetson Nano kullanılmış ve modelin hızını artırarak Kare/Saniye (FPS) değerini iyileştirmeye yönelik klasik hızlandırma yöntemlerinden faydalanılmıştır. Bu çalışma, genel performansın etkinliği ve kapsamlılığını sağlamak amacıyla mAP@50 değeri ile hesaplama maliyeti arasında bir denge kurmayı hedeflemektedir.
Özet (Çeviri)
Beyin tümörleri, karmaşık yapısal özellikleri ve beyindeki farklı anatomik bölgelerde gelişebilme eğilimleri nedeniyle en zorlu kanser türlerinden biri olarak kabul edilmektedir. Ciddi bir sağlık problemi olan beyin tümörlerinin teşhis süreci, etkili bir tedavi stratejisinin oluşturulabilmesi açısından zamanında ve doğru tanı konulmasını gerekli kılmaktadır. Segmentlenmiş radyolojik görüntülerde tümörlerin belirlenmesi ve sınırlanması amacıyla geleneksel yaklaşımlar—manuel sınır çizimi veya makine öğrenimi tabanlı teknikler—yoğun zaman gerektirmekte ve insan kaynaklı hatalara açık olabilmektedir. Melez yaklaşımlarla geliştirilen beyin tümörü tespit ve sınıflandırma yöntemleri, tanının erken aşamada konulmasına olanak tanıyarak hastanın tedavi sürecinde bilişsel ve fonksiyonel çıktılarının iyileştirilmesinde önemli katkı sunmaktadır. Dünya genelindeki istatistiksel veriler, etkili bir erken tanı sisteminin geliştirilmesini elzem kılmaktadır; zira erken teşhis edilen olgularda tedavi başarı oranı ile nörolojik fonksiyonların korunması açısından olumlu sonuçlar elde edilmektedir. Son yıllarda beyin tümörü insidansındaki belirgin artış, bireylerin yaşam kalitesini tehdit eden ciddi bir sağlık yükü oluşturmaktadır. Bu bağlamda, bu hastalıkla mücadelede modern teknolojilerin dikkatli bir şekilde geliştirilmesi ve uygulanması büyük önem arz etmektedir. Melez tespit sistemleri, cerrahi müdahale, kemoterapi veya radyoterapi gibi invaziv yöntemlere gerek kalmaksızın, gerçek zamanlı beyin aktivitesi izleme imkânı sağlayarak; invaziv olmayan ve ekonomik bir alternatif olarak öne çıkmaktadır. Bu tez çalışması, Irak'ın Ramadi kentinde bulunan Kadın ve Çocuk Hastanesi'nde Nisan iki bin yirmi iki ile Şubat iki bin yirmi dört tarihleri arasında toplanmış olan toplam iki bin sekiz yüz seksen dokuz adet beyin bilgisayarlı tomografi (BT) görüntüsünü analiz etmektedir. Söz konusu görüntüler, dört yüz sekiz hastaya ait tıbbi kayıtlardan özenle seçilmiştir. Görüntüleme işlemi, Siemens P/N 11101874 (Aralık iki bin yirmi bir) model cihaz aracılığıyla gerçekleştirilmiş olup, cihaz her dönüşte yüz yirmi sekiz kesit alma kapasitesine sahip ileri düzey bir görüntüleme sistemidir. Hasta hareketlerini minimize etmek ve görüntü kalitesini artırmak amacıyla sıfır nokta otuz üç saniyeye kadar kısa dönüş süresi sunmaktadır. Tüp gerilimi yetmiş ile yüz kırk kilovolt arasında on kilovolt'luk artışlarla ayarlanabilir olup, cihaz yetmiş beş kilovatlık güç sağlayacak kapasitededir. Bu çalışmada, hem Irak kaynaklı BT görüntüleri hem de çevrim içi literatür veritabanlarından elde edilen veriler kullanılarak iki farklı otomatik beyin tümörü tespit yöntemi geliştirilmiştir. Her iki yöntem kapsamında kapsamlı bir önişleme süreci uygulanmıştır. DICOM (Dijital Görüntü ve İletişim Tıpta) formatındaki veriler, görüntü kalitesini koruyarak ayrıntılı segmentasyon yapılabilmesine olanak tanıyan PNG (Taşınabilir Ağ Grafiği) formatına dönüştürülmüştür. PNG formatı, kayıpsız sıkıştırmayı desteklemesi ve yapay zekâ temelli kütüphanelerle uyumlu olması sayesinde YOLO algoritmalarıyla eğitime elverişlidir. Dönüştürülen görüntüler, kırmızı-yeşil-mavi (KYM) formatına çevrilip altı yüz kırk çarpı altı yüz kırk piksel boyutuna getirilmiş; ardından değerleri normalize edilerek sınır kutusu koordinatları (sınıf_kodu, x_merkez, y_merkez, genişlik ve yükseklik) hazırlanmıştır. Son aşamada veri artırımı uygulanmış ve bu sayede modelin performansı güçlendirilmiştir. Tüm görüntüler, iki uzman hekim tarafından değerlendirilmiş olup; uzman görüşlerinin uyuşmadığı veya tanısal belirsizlik içeren örnekler, analiz sürecinden çıkarılmıştır. Bu uygulama, çelişkili verilerin neden olabileceği sınıflandırma hatalarını önlemek adına literatürde yaygın olarak başvurulan bir veri temizleme yöntemidir. Tümörler, sınırlayıcı kutunun kapladığı alan baz alınarak boyutsal olarak sınıflandırılmıştır. Alan hesaplaması, genişlik ile yüksekliğin çarpımı yoluyla piksel kare (piksel²) cinsinden yapılmaktadır. Sınıflandırma ölçütleri şu şekildedir: Eğer alan değeri dört bin piksel karenin altındaysa tümör küçük; dört bin ile on bin piksel kare arasında ise orta boyutlu; on binin üzerindeyse büyük tümör olarak sınıflandırılmıştır. Yöntem 1: Geliştirilmiş YOLOv9 Tabanlı Model Bu yöntem, görüntülerdeki yabancı oluşumları veya tümörleri otomatik olarak tespit edebilen ve konumlandırabilen YOLO (Tek Bakışta Tespit) ailesine ait güncel bir modelin kullanımını temel almaktadır. YOLOv9'un en büyük avantajlarından biri, parametre sayısını azaltarak verimliliği artıran Gelişmiş Aşamalı Evreleme Bağlantıları (GAEB) – Karanlık Ağ53 (Darknet53) mimarisiyle çalışmasıdır. Bu yapı, özellikle düzensiz sınırlara sahip ya da beyin dokusuyla örtüşen küçük boyutlu tümörlerin tespitinde kritik rol oynamaktadır. Tıbbi görüntülerde“doku özelliği analizi”terimi, tümör dokularının normal beyin dokusundan farklı dokusal özelliklere sahip olduğu gerçeğine dayanmaktadır. Bu farklılıklar çıplak gözle doğrudan seçilemeyebilir; ancak YOLO algoritması, bu mikro desenleri öğrenerek güvenilir tespit yapabilmektedir. Doku analizi; granül yapı, gradyan değişimleri veya düzensiz pikseller gibi ince desenleri anlamlandırmayı hedefler. Tümör barındıran tıbbi görüntülerde doku analizinin temel amacı, gri düzey dağılımlarını değerlendirerek tanı doğruluğunu artırmaktır. Bu amaçla, komşu pikseller arasındaki ilişkiler Gri Düzey Eş-Olasılık Matrisi (GDEOM) yöntemiyle hesaplanır. Haralick özellikleri olarak bilinen kontrast, homojenlik ve enerji gibi metriklerle dokusal ölçümler elde edilir. Bu sistem, YOLOv9e + Doku Vektörleştirme + Gri Düzey Analizi + Destek Vektör Makineleri (DVM) birleşimiyle oluşturulmuş olup, tıbbi görüntüleri yüksek doğrulukla analiz edebilen akıllı bir sınıflandırma yapısı sunmaktadır. Yöntem 1 Bulguları Gerçek pozitif, yanlış pozitif, gerçek negatif ve yanlış negatif sınıflamalarını ölçmek için karışıklık matrisi kullanılmıştır. Bu yapı, özellikle görsel olarak seçilmesi zor olan küçük ya da bulanık tümörlerin tespitinde doğruluk oranlarını artırmak ve yanlış alarmları azaltmak amacıyla tasarlanmıştır. YOLOv9e modeli ile yapılan değerlendirmelerde %50 örtüşme eşiği ile ölçülen Ortalama Doğruluk ([email protected]) değerleri oldukça yüksek bulunmuştur: Küçük tümörlerde yüzde doksan iki, orta boy tümörlerde yüzde doksan yedi virgül bir ve büyük tümörlerde yüzde doksan sekiz virgül sekiz oranında doğruluk sağlanmıştır. Bu durum, modelin tüm boyutlardaki tümörleri yüksek isabetle tanımlayabildiğini göstermektedir. Küçük tümörler için sistem, en yüksek kontrast ve enerji düzeyine sahip dokular üzerinden yüzde doksan iki virgül üç ortalama doğruluk (sapma: ± altı virgül dört) ile tespit gerçekleştirmiştir. Sınırlayıcı kutu konumlandırmasında YOLO algoritması başarılı olurken, doğrusal çekirdekli DVM sınıflandırıcı daha yüksek ayrım başarısı sergilemiştir. Orta boy tümörlerde doğruluk oranı yüzde doksan beş virgül altı (± beş virgül üç), büyük tümörlerde ise yüzde doksan sekiz virgül iki (± dört virgül bir) olarak elde edilmiştir. Bu sonuçlar, modelin özellikle yüksek kontrasta sahip lezyonları etkili biçimde işleyebildiğini kanıtlamaktadır. Yöntem 2: MobileNetV2-TET + Değiştirilmiş Özellik Piramidi Ağı (ÖPA). Bu yöntemde, MobileNetV2 tabanlı Tek Evrişimli Tespit (TET) algoritması, değiştirilmiş bir Özellik Piramidi Ağı (ÖPA) ile birleştirilerek bütünleşik bir tümör tespit sistemi oluşturulmuştur. İşlem, önceden işlenmiş ve altı yüz kırk çarpı altı yüz kırk piksel boyutuna yeniden ölçeklendirilmiş bir beyin Bilgisayarlı Tomografi (BT) ya da Manyetik Rezonans (MR) görüntüsü ile başlatılmaktadır. Önişleme aşamaları; gri tonlamaya dönüştürme, histogram eşitleme ile kontrast artırımı, Gauss filtresi kullanılarak gürültü azaltımı ve tümör sınırlarının belirginleştirilmesi amacıyla uygulanan morfolojik işlemleri kapsamaktadır. Modelin temelini oluşturan MobileNetV2 mimarisi, tersine artık bloklar ve derinlik ayrıştırmalı evrişimler aracılığıyla düşük hesaplama maliyeti ile yüksek verimlilikte özellik çıkarımı yapabilmektedir. Bu yapı, özellikle NVIDIA Jetson Nano gibi düşük güçlü uç cihazlarda çalışmaya elverişli olup; gerçek zamanlı sağlık uygulamaları için avantaj sunmaktadır. Elde edilen öznitelikler, küçük boyutlu veya düşük kontrastlı tümörlerin daha kolay algılanabilmesini sağlayan ve geleneksel piramit yapılarına ek olarak tasarlanan sığ katman (P2) aracılığıyla değiştirilmiş ÖPA'ya aktarılmaktadır. Tek Evrişimli Tespit (TET) başlığı, eş zamanlı olarak hem tümörün sınıflandırılmasını (tümör var/yok) hem de sınır kutusu koordinatlarının regresyonunu gerçekleştirmektedir. Modelin çıktıları, en yüksek güven düzeyine sahip olan sınır kutusunun korunmasını sağlayan ve gereksiz tekrarları ortadan kaldıran En Büyük Olmayan Bastırma (EBOB) algoritması kullanılarak optimize edilmektedir. Nihai sonuç, tümörün konumunu ve boyut sınıfını (küçük, orta, büyük) içeren açıklamalı bir BT görüntüsüdür. Bu görsel çıktı, klinik uzmanlara anında referans sağlayarak tanısal karar süreçlerini kolaylaştırmaktadır. Yöntem 2 Bulguları Gerçekleştirilen ayrıştırma (ablasyon) çalışmaları, modelin performansını önemli ölçüde artıran iki temel mimari geliştirmeyi vurgulamaktadır. Birincisi, Özellik Piramidi Ağı'na eklenen sığ katman (P2), özellikle küçük boyutlu tümörlerin tespitinde ortalama doğruluk oranını (ODO) yüzde seksen iki virgül bir düzeyinden yüzde seksen yedi virgül beş düzeyine çıkarmış; F1 puanını ise sıfır nokta seksen ikiden sıfır nokta seksen dokuza yükseltmiştir. Bu durum, piramitsel yapının çok ölçekli öznitelikleri daha verimli şekilde işleyebildiğini göstermektedir. İkinci olarak, Sentetik Azınlık Aşırı Örnekleme Tekniği (SAÖT) kullanılarak sınıf dengesizliğinin giderilmesi, özellikle az temsil edilen küçük tümörlerde anlamlı iyileştirmeler sağlamıştır. SAÖT uygulanmadan önce model, küçük tümörlerde yalnızca sıfır nokta yetmiş sekiz F1 skoru elde ederken; uygulama sonrası bu değer sıfır nokta seksen sekiz seviyesine yükselmiştir. Orta boyutlu tümörler için de benzer şekilde doğruluk oranlarında artış gözlemlenmiştir. Bu bulgular, sağlam ve güvenilir bir tıbbi görüntü analiz sisteminin yalnızca mimari düzeydeki iyileştirmelerle değil; aynı zamanda veri seti mühendisliği teknikleriyle de doğrudan ilişkili olduğunu ortaya koymaktadır. Modelin her iki gelişmiş bileşeni birlikte ele alındığında, özellikle klinik karar destek sistemleri için güçlü bir otomatik tespit ve sınıflandırma platformu sunduğu görülmektedir. Yöntem 3: NVIDIA Jetson Nano Kullanımı Bu yöntemde, düşük güç tüketimine rağmen gerçek zamanlı yapay zekâ uygulamaları için tasarlanmış güçlü bir gömülü platform olan NVIDIA Jetson Nano kullanılmıştır. Uygulanan bu yaklaşım, modelin doğruluğunu koruyarak sistemin saniyedeki kare sayısı (SKS) performansını artırmaya yönelik etkili hızlandırma tekniklerine dayanmaktadır. Burada“denge”kavramı, teşhis doğruluğu ile donanımsal işlem verimliliği arasında kurulan kritik uyumu ifade etmektedir ki bu denge, özellikle klinik uygulamalarda büyük önem taşımaktadır. Elde edilen bulgular, hızlandırılmış YOLOv9e modelinin ortalama %95 doğruluk (ODA@50) seviyesine ulaştığını göstermektedir. Jetson Nano üzerinde 640×640 piksel çözünürlükte çalıştırıldığında, modelin görüntü işleme hızı saniyede 11 kareden 17 kareye çıkmıştır. Bu performans kazanımı, yalnızca %2,7 oranında bir doğruluk kaybı ile gerçekleşmiş olup, donanım sınırlamaları dikkate alındığında oldukça kabul edilebilir bir düzeydedir. Model, gömülü uygulamalara yönelik optimize edilmiş bir uç cihazda 3,7 GFLOPs işlem kapasitesi ile etkili bir şekilde çalışmıştır. Sonuç olarak, bu tez çalışmasında sunulan iki yöntem bir araya getirilerek, gelecekte akıllı tıbbi karar destek sistemleri geliştirmek isteyen araştırmacılar ve sistem mühendisleri için kapsamlı ve uygulanabilir bir kaynak sunulmuştur. Çalışma, yapay zekânın sağlık uzmanlarının yerini almaktan ziyade, onları destekleyen tamamlayıcı bir araç olarak klinik ortamlarda etkili bir şekilde kullanılabileceğini açık biçimde ortaya koymaktadır.
Benzer Tezler
- Development of polymer based fibers with photovoltaic effect
Fotovoltaik etki oluşturan polimerik liflerin geliştirilmesi
KÜBRA İLGEN
Yüksek Lisans
İngilizce
2011
Polimer Bilim ve Teknolojisiİstanbul Teknik ÜniversitesiPolimer Bilim ve Teknolojisi Ana Bilim Dalı
PROF. DR. ALİ DEMİR
- Akıllı tedarikçi seçimi için bulanık mantık temelli bir model önerisi
A fuzzy logic based model proposal for smart supplier selection
HATİCE KÜBRA ÖZENSEL
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiNecmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURAK EFE
- Comparative assessment of mobile navigation applications using 2D maps and augmented reality interfaces
2 boyutlu harita ve artırılmış gerçeklik tabanlı mobil navigasyon uygulamalarının kıyaslamalı değerlendirilmesi
MUSTAFA ESENGÜN
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE
- Akıllı ev otomasyonu için enerji yönetim sistemi geliştirilmesi ve uygulanması
Development and implementation of energy management system for smart home automation
ABDULLAH BARAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERDAR YILMAZ
- Otomasyon ile mobil yazılımların testlerinin fiziksel ve sanal cihazlar üzerinde gerçekleştirilmesi
Realization of mobile software tests on physical and virtual devices with automation
SÜLEYMAN ARİF ERDEM
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN ŞAHİN
- Endüstri 5.0 ve dijital kentleşme sürecinde toplumsal cinsiyet eşitliği politikalarının analizi; Türkiye, İstanbul için önermeler
Analysis of gender equality policies in the process of industry 5.0 and digital urbanization; suggestions for Turkiye, İstanbul
DİLAY KILIÇ
Yüksek Lisans
Türkçe
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. HATİCE AYATAÇ