Geri Dön

AKCİĞER HASTALIKLARI TEŞHİSİNDE DERİN ÖĞRENME TEKNİKLERI İLE SINIFLANDIRMA VE NİTELENDİRME

CLASSIFICATION AND CHARACTERIZATION OF LUNG DISEASES USING DEEP LEARNING TECHNIQUES

  1. Tez No: 953431
  2. Yazar: ERDEM YANAR
  3. Danışmanlar: PROF. DR. FIRAT HARDALAÇ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Akciğer hastalıklarının erken ve doğru teşhisi, özellikle kaynakların kısıtlı olduğu klinik ortamlarda önemli bir tanısal zorluk oluşturmaktadır. Bu tez çalışmasında, göğüs röntgeni (CXR) görüntüleri üzerinde akciğer hastalıklarının sınıflandırılması ve nitelendirilmesi amacıyla derin öğrenme tabanlı yöntemlerin uygulanması incelenmiştir. Çalışma kapsamında; çeşitli evrişimli sinir ağı (ESA) mimarileri, Görsel Transformatörler (Vision Transformers, ViT) ve yakın zamanda önerilen Mamba modeli uygulanmış ve karşılaştırmalı analizleri gerçekleştirilmiştir. Pnömoni tespiti için geliştirilen PELM, kardiyomegali erken teşhisi için önerilen CELM ve çok etiketli akciğer anomalisi tespiti için tasarlanan CHESTELM adında üç ayrı stacking tabanlı topluluk modeli tasarlanmıştır. Bu modellerde VGG16, ResNet50, InceptionV3 ve ViT gibi önceden eğitilmiş modellerin çıktıları meta-öğrenicilerle birleştirilmiştir. Araştırmada NIH ChestX-ray14, PadChest, CheXpert ve VinDr-CXR gibi geniş çaplı ve çok kaynaklı veri kümelerinden derlenen 50.000'den fazla CXR görüntüsü kullanılmıştır. Görüntüler klinik olarak anlamlı kontrast iyileştirme (CLAHE) ve veri artırma teknikleri ile ön işleme tabi tutulmuştur. Elde edilen sonuçlara göre, topluluk modelleri tekil modellerden daha yüksek doğruluk, hassasiyet, özgüllük, F1-skoru ve AUC performansı göstermiştir. Özellikle CELM modeli, kardiyomegali sınıflandırmasında %94 F1-skoru ve %90 AUC değeriyle yüksek başarı sağlamıştır. PELM modeli, pnömoni tespitinde güçlü bir genel performans ortaya koyarken , çok etiketli anomali tespiti için geliştirilen CHESTELM modeli ise Fıtık (0,95 AUC) , Amfizem (0,94 AUC) ve Kardiyomegali (0,92 AUC) gibi sınıflarda sergilediği üstün performans ve ortalama 0,87 AUC skoruyla genel bir başarı yakalamıştır.Ayrıca, Mamba, Dönüştürücü ve ESA mimarilerinin çok etiketli akciğer anomali tespitindeki karşılaştırmalı analizi, Mamba tabanlı modellerin yorumlanabilirlik ve hesaplama verimliliği açısından rekabetçi bir alternatif olduğunu göstermektedir. Bu tez çalışması, medikal görüntülemede yapay zekâ destekli tanı sistemlerinin geliştirilmesine katkı sağlamayı ve klinik karar destek sistemlerine entegre edilebilecek ölçeklenebilir ve güvenilir çözümler sunmayı amaçlamaktadır.

Özet (Çeviri)

The early and accurate diagnosis of lung diseases poses a significant diagnostic challenge, particularly in resource-limited clinical settings. This thesis investigates the application of deep learning-based methods for the classification and characterization of lung diseases on chest X-ray (CXR) images. Within the scope of the study, various Convolutional Neural Network (CNN) architectures, Vision Transformers (ViT), and the recently proposed Mamba model were implemented and their comparative analyses were performed. Three distinct stacking-based ensemble models were designed: PELM, developed for pneumonia detection; CELM, proposed for the early diagnosis of cardiomegaly; and CHESTELM, designed for multi-label lung anomaly detection. In these models, the outputs of pre-trained models such as VGG16, ResNet50, InceptionV3, and ViT were combined with meta-learners. In this research, over 50,000 CXR images compiled from large-scale and multi-source datasets such as NIH ChestX-ray14, PadChest, CheXpert, and VinDr-CXR were used. The images were preprocessed with clinically significant contrast enhancement (CLAHE) and data augmentation techniques. According to the results obtained, the ensemble models demonstrated higher accuracy, sensitivity, specificity, F1-score, and AUC performance than the individual models. Specifically, the CELM model achieved high success in cardiomegaly classification with a 94% F1-score and a 90% AUC value. While the PELM model showed a strong overall performance in pneumonia detection, the CHESTELM model, developed for multi-label anomaly detection, achieved general success with its superior performance in classes such as Hernia (0.95 AUC), Emphysema (0.94 AUC), and Cardiomegaly (0.92 AUC), and an average AUC score of 0.87.Furthermore, the comparative analysis of Mamba, Transformer, and CNN architectures in multi-label lung anomaly detection indicates that Mamba-based models are a competitive alternative in terms of interpretability and computational efficiency. This thesis aims to contribute to the development of AI-supported diagnostic systems in medical imaging and to offer scalable and reliable solutions that can be integrated into clinical decision support systems.

Benzer Tezler

  1. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  2. Tez No

    930295

    Akciğer röntgen görüntülerinden derin öğrenme modelleri kullanılarak solunum yolu hastalıklarının teşhis edilmesi

    Diagnosis of respiratory diseases from chest X-ray images using deep learning models

    ANIL SEVER

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    BiyomühendislikZonguldak Bülent Ecevit Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CEREN KAYA

  3. Tez No

    847190

    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

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  4. Tez No

    842068

    Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

    Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

    MERVE BEGÜM TERZİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  5. Tez No

    851012

    Sayısal veri ve göğüs röntgen görüntülerinden derin öğrenme yaklaşımları ile pnömoni tespiti

    Pneumonia detection with deep learning approaches from numerical data and chest X-ray images

    ZEHRA KADİROĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı

    PROF. DR. HANİFİ GÜLDEMİR

    PROF. DR. ABDURRAHMAN ŞENYİĞİT

Geri Dön