Sağlık hizmetlerinde MR tabanlı beyin tümörü teşhisi için derin öğrenme destekli bir klinik karar destek sistemi
A deep learning-enhanced clinical decision support system for MRI-based brain tumor diagnosis in healthcare
- Tez No: 952393
- Danışmanlar: PROF. DR. NEZİHE TÜFEKCİ, DOÇ. DR. İSHAK PAÇAL
- Tez Türü: Doktora
- Konular: Sağlık Yönetimi, Sağlık Kurumları Yönetimi, Healthcare Management, Health Care Management
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Sağlık Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sağlıkta zaman ve hata önemli olgulardır; bu olgularda gerçekleştirilen iyileştirmelerin sağlık kurumları için katkısı ise kayda değerdir. Bu bağlamda, işbu doktora tezi, sağlık hizmetlerinde yapay zekâ (YZ) ve sağlık bilişiminin klinik karar destek sistemlerindeki dönüştürücü potansiyelini merkeze alarak, manyetik rezonans (MR) görüntüleme tabanlı beyin tümörü teşhisi için derin öğrenme destekli daha iyi bir klinik karar destek sistemi geliştirmeyi amaçlamaktadır. Tezin temel hipotezi, YZ tabanlı derin öğrenme modellerinin, beyin tümörü teşhisinde radyologlara destek sağlayarak daha hızlı, doğru ve tutarlı sonuçlar sunabileceği yönündedir. Bu çalışma, EfficientNetV2 tabanlı ve Global Dikkat Mekanizması (GAM) ile Verimli Kanal Dikkati (ECA) entegre edilmiş hibrit bir derin öğrenme modeli önermekte olup, model beyin tümörü sınıflandırma (glioma, menenjiyom, hipofiz ve tümör yok) tanısında %99,76 test doğruluğuyla literatürdeki 45 son teknoloji modelinden daha iyi bir performans göstermektedir. Grad-CAM görselleştirme yöntemiyle şeffaflaştırılan model, yüksek hassasiyet, geri çağırma ve F1 skorlarıyla klinisyenlerin tanı sürecine daha fazla güven sağlayabilir. Klinik uygulanabilirliği vurgulanan bu hibrit yaklaşım, hesaplama verimliliği ve farklı hasta popülasyonlarına adaptasyon kabiliyetiyle sağlık bilişiminde önemli bir katkı sağlayacağı düşünülmektedir. Bununla birlikte, veri çeşitliliği ve genellenebilirlik gibi bazı sınırlamalar göz önünde bulundurularak, gelecekteki çalışmalar için daha geniş veri setleri ve gelişmiş yorumlanabilirlik yöntemleri önerilmektedir. Sonuç olarak, bu tez, sağlık bilişimi ve YZ'nin sağlık hizmetlerine entegrasyonuna yönelik teorik ve pratik bir çerçeve sunarak, klinik karar destek sistemlerinin geleceğine yönelik önemli bir katkı sağlayacağı düşünülmektedir.
Özet (Çeviri)
In healthcare, time and errors are critical factors; improvements in these areas contribute significantly to healthcare institutions. In this context, this doctoral thesis aims to develop an enhanced deep learning-based clinical decision support system for magnetic resonance imaging (MRI)-based brain tumor diagnosis, focusing on the transformative potential of artificial intelligence (AI) and health informatics in clinical decision support systems. The central hypothesis of the thesis is that AI-based deep learning models can provide faster, more accurate, and consistent results by supporting radiologists in brain tumor diagnosis. This study proposes a hybrid deep learning model based on EfficientNetV2 and integrating Global Attention Mechanism (GAM) and Efficient Channel Attention (ECA), which outperforms 45 state-of-the-art models in the literature with 99.76% test accuracy in brain tumor classification (glioma, meningioma, pituitary and no tumor). Enhanced with Grad-CAM visualization for transparency, the model demonstrates high precision, recall, and F1 scores, offering clinicians greater confidence in the diagnostic process. Emphasizing clinical applicability, this hybrid approach is expected to make a significant contribution to health informatics due to its computational efficiency and adaptability to diverse patient populations. However, considering certain limitations such as data diversity and generalizability, future studies are recommended to incorporate larger datasets and advanced interpretability methods. In conclusion, this thesis provides a theoretical and practical framework for the integration of health informatics and AI into healthcare, offering a valuable contribution to the future of clinical decision support systems.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
- Medikal görüntülerde ilgi duyulan bölge analizi ve yeni paralel sıkıştırma yöntemi geliştirilmesi
Analysis of region of interest (Roi) in medical images and a new compression method development
ERDAL ERDAL
- Tıbbi görüntü işlemede kapsül ağlar
Capsule networks in medical image processing
AHMET SOLAK
Doktora
Türkçe
2023
Konya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Implementing language models enriched with text analysis: MIMIC-CXR case study
Metin analiziyle zenginleştirilmiş dil modellerini uygulama: MIMIC-CXR vaka çalışması
EGE ERBERK USLU
- Cancer diagnosis and classification using ML-based natural language processing: A case study at an Iraqi hospital
ML tabanlı doğal dil işleme kullanılarak kanser tanısı ve sınıflandırılması: Irak'ta bir hastanede bir vaka çalışması
SAFA MUWAFAQ NAYYEF AL-FARIS
Yüksek Lisans
İngilizce
2024
Bahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...