Geri Dön

Ultrason taramalarından fetüs hareketlerinin tespiti için yeni derin öğrenme modelleri geliştirilmesi

Development of novel deep learning models for fetal movement detection in ultrasound scans

PDF İndir

  1. Tez No: 947225
  2. Yazar: MUSA TURKAN
  3. Danışmanlar: DOÇ. DR. EMRE DANDIL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Science and Technology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Bilecik Şeyh Edebali Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 95

Özet

Tıbbi görüntülerin ve videoların bilgisayar destekli algoritmalar ile analiz edilmesi, hastalıkların teşhis ve tedavisinde önemli faydalar sağlamaktadır. Özellikle son yıllarda, derin öğrenme algoritmalarındaki artan gelişmeler, medikal verilerin işlenmesinde hız, performans ve donanım ihtiyacı gibi konularda sürekli iyileşme sağlamıştır. İleri derece uzmanlık gerektirebilen medikal verilerin inceleme işlemlerinin derin öğrenme algoritmalarıyla yapılması, hekimlerin karar verme aşamasında yardımcı bir araç olarak yaygın olarak kullanılmaya başlamıştır. Ultrason (US) videolarında fetüsün hareketlerinin izlenmesi ve anatomik yapıların tanınması bebek sağlığının değerlendirilmesinde önemli bir parametredir. Fetüs hareketlerinin takip edilmesi sağlıklı giden bir gebelik sürecinde önemli bir parametre olup, anne karnında fetal hareketlerin azalması veya hiç olmaması ciddi fetüs risklerinin bir belirtisi olarak değerlendirilebilir. Bu tez çalışmasında, ultrason videolarından fetüs hareketlerinin analizi ve değerlendirilmesi için Kütahya Sağlık Bilimleri Üniversitesi Evliya Çelebi Eğitim ve Araştırma Hastanesi'nden toplanan ultrason videoları ile bir veriseti oluşturulmuştur. Tez çalışmasında, öncelikle fetal ultrason videolarını kullanarak fetüsün anatomik yapılarını tanımak ve hareketlerini tespit etmek için YOLO ve uzun kısa-süreli bellek (LSTM) algoritmalarına dayanan hibrit bir derin öğrenme yöntemi önerilmiştir. Bu aşamada, fetüsün anatomik yapıları belirlenmek ve hareketlerini takip etmek için ultrason videoları uzman radyologlar eşliğinde etiketlenmiştir. Deneysel analizlerde fetüsün kalp, baş ve gövde gibi anatomik yapılarının hareketleri takip edilerek hareket yörünge örüntüleri çıkarılmıştır. Son adımda ise iki boyutlu düzleme dönüştürülen hareket örüntüleri kullanılarak LSTM derin öğrenme algoritması ile fetal anatomik yapıların tespiti ve sınıflandırılması sağlanmıştır. Ultrason videolarındaki fetal hareketlerin otomatik olarak sınıflandırılması, fetal iyilik halinin değerlendirilmesi ve hamilelik sırasında olası komplikasyonların tespit edilmesi için kritik öneme sahiptir. Tez çalışmasının ikinci aşamasında ise, ultrason video dizilerindeki fetal hareketlerin sınıflandırılmasını iyileştirmek için bir dikkat (attention) mekanizması ve evrişimsel sinir ağlarını (CNN) içeren yeni bir derin öğrenme modeli olan FetalMovNet mimarisi geliştirilmiştir. Model, özellik çıkarımı için CNN ve uzamsal-zamansal örüntüleri yakalamak için bir dikkat mekanizmasını entegre ederek fetal hareketlerin sınıflandırma performansını önemli ölçüde artırmaktadır. FetalMovNet'i değerlendirmek için, yedi farklı anatomik yapıya (kafa, gövde, kol, el, kalp, bacak ve ayak) ait ultrasondaki fetal hareketleri içeren verisetinde deneysel çalışmalar yürütülmüştür. Elde edilen sonuçlar, FetalMovNet'in 0.9887 doğruluk (accuracy), 0.9871 kesinlik (precision), 0.9910 geri çağırma (recall) ve 0.9891 F1-skoru (F1-score) elde ederek gelişmiş CNN ve CNN-LSTM mimarilerinden daha iyi performans başardığını göstermektedir. Ablasyon çalışmaları, FetalMovNet'in CNN için 0.9471 ve CNN-LSTM için 0.9543 ile karşılaştırıldığında, 0.9957'lik bir eğri altı alan (AUC) puanı elde etmesiyle dikkat mekanizmasının etkinliğini doğrulamaktadır. Önerilen FetalMovNet modeli, gerçek zamanlı fetal hareket izleme için sağlam ve klinik olarak uygulanabilir bir araç sağlayarak manuel değerlendirme ihtiyacını azaltmaktadır ve doğum öncesi bakımı iyileştirme potansiyeline sahiptir. Tez kapsamında önerilen derin öğrenme modellerinin boyutu küçük olduğundan sınıflandırma ve tespit süresi oldukça düşüktür ve gerçek zamanlı ultrason görüntülerinin değerlendirilmesi için uygun olduğu değerlendirilmektedir. Çalışmada kullanılan FetalMovNet derin öğrenme modelinin bir diğer önemli avantajı, düşük çözünürlüklü ultrason görüntülerinde bile yüksek performans göstermesidir. Tezde, hareket anomalilerinin sınıflandırılması ve dokulara özel hareket yörüngelerinin ayrıntılı incelenmesi, fetüste nörolojik rahatsızlıkların erken teşhisine yönelik umut vaat eden bir yaklaşım olarak değerlendirilmiştir. Gelecekte bu yaklaşımın, fetüste anormal hareket tespitinde kullanılarak hamilelikte tanı süreçlerinde önemli bir rol oynayabileceği değerlendirilmektedir.

Özet (Çeviri)

The analysis of medical images and videos with computer-based algorithms offers significant advantages in the diagnosis and treatment of diseases. Especially in recent years, advances in deep learning algorithms have led to continuous improvements in the processing of medical data in terms of speed, performance and hardware requirements. The use of deep learning algorithms to analyze highly specialized medical data has become widely used as a tool to help doctors make decisions. Tracking fetal movement and recognizing anatomical structures in ultrasound (US) videos is an important parameter in assessing infant health. Monitoring fetal movement is an important parameter in a healthy pregnancy, and reduced or absent fetal movement in the womb can be considered a sign of serious fetal risk. In this thesis, a dataset of ultrasound videos collected from Kütahya University of Health Sciences Evliya Çelebi Training and Research Hospital was created for the analysis and evaluation of fetal movements from ultrasound videos. First, a hybrid deep learning method based on YOLO and Long Short-Term Memory (LSTM) algorithms is proposed to recognize fetal anatomical structures and detect fetal movements using fetal ultrasound videos. In this phase, ultrasound videos are labelled by expert radiologists to identify fetal anatomical structures and track fetal movements. In the experimental analysis, the movements of fetal anatomical structures such as the heart, head and body are tracked and movement trajectory patterns are extracted. In the final step, the LSTM deep learning algorithm is used to detect and classify the fetal anatomical structures using the motion patterns converted to a two-dimensional (2D) plane. Automatic classification of fetal movements in ultrasound videos is crucial for assessing fetal well-being and detecting potential complications during pregnancy. In the second phase of the thesis, a new deep learning model, FetalMovNet, is developed to improve the classification of fetal movements in ultrasound video sequences by incorporating an attention mechanism and convolutional neural networks (CNN). By integrating CNNs for feature extraction and an attention mechanism to capture spatio-temporal patterns, the model significantly improves the classification performance of fetal movements. To evaluate FetalMovNet, experimental studies are conducted on a dataset of ultrasound fetal movements of seven different anatomical structures (head, body, arm, hand, heart, leg and foot). The results show that FetalMovNet outperforms advanced CNN and CNN-LSTM architectures, achieving accuracy of 0.9887, precision of 0.9871, recall of 0.9910 and F1-score of 0.9891. Ablation studies confirm the effectiveness of the attention mechanism, with FetalMovNet achieving an area under the curve (AUC) of 0.9957, compared to 0.9471 for CNN and 0.9543 for CNN-LSTM. The proposed FetalMovNet model provides a robust and clinically applicable tool for real-time fetal movement tracking, reducing the need for manual assessment and has the potential to improve prenatal care. Due to the small size of the deep learning models proposed in this thesis, the classification and detection time is very short and they are considered suitable for the evaluation of real-time ultrasound images. Another important advantage of the FetalMovNet deep learning model used in the study is its high performance even on low resolution ultrasound images. In this thesis, the classification of motion abnormalities and the detailed analysis of tissue-specific movement trajectories are considered as a promising approach for the early diagnosis of neurological disorders in the fetus. In the future, this approach may play an important role in the diagnostic process during pregnancy by being used to detect abnormal fetal movement.

Benzer Tezler

  1. Tez No

    870192

    Kalça ultrason taramalarında bilgisayar yardımlı standart plan tanımlanması ve klinik korelasyonu

    Computer-aided standard plan detection and clinical correlation in hip ultrasound scans

    MUHAMMED FURKAN DARILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Ortopedi ve Travmatolojiİstanbul Üniversitesi

    Ortopedi ve Travmatoloji Ana Bilim Dalı

    PROF. DR. HAYATİ DURMAZ

  2. Tez No

    694216

    Fully supervised and semi-supervised semantic segmentation of cardiac mr using deep learning

    Tam denetımlı ve yarı denetımlı semantık segmentasyon derın öğrenmeyı kullanan kardıyak mr'nın

    MAHYAR BOLHASSANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    ASST. ASSOC. DR. İLKAY ÖKSÜZ

  3. Tez No

    942203

    Antenatal ve erken postnatal ürı̇ner sı̇stem dı̇latasyonu tanısı alan olguların uzun dönem seyrı̇nı̇n retrospektı̇f olarak değerlendı̇rı̇lmesı̇

    Başlık çevirisi yok

    AYŞEN HAZAL BURAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Çocuk Sağlığı ve HastalıklarıDokuz Eylül Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. SALİH KAVUKÇU

  4. Tez No

    409948

    Portable devices for In-Vitro characterization based on ultrasound

    Ultrason tabanlı In-Vitro karakterizasyonu için taşınabilir cihazlar

    SEYEDFAKHREDDIN NABAVI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik MühendisliğiÖzyeğin Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. GÖKSEN GÖKSENİN YARALIOĞLU

  5. Tez No

    916972

    Endometrial polip ön tanısı ile histeroskopikcerrahi yapılan hastaların operasyon öncesirutin taramalarındaki tam kan hücresisayımındaki sistemik inflamatuar indeksdeğerlerinin nihai patoloji sonuçlarınıöngörmedeki başarısının rolü

    The role of the success of systemic inflammatory index values in preoperative routine screening of patients undergoing hysteroscopy with a preliminary diagnosis of endometrial polyp in predicting the final pathology results

    İREM SÜNGER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Kadın Hastalıkları ve DoğumSakarya Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    PROF. DR. MEHMET SÜHHA BOSTANCI

Geri Dön