Mikroşerit anten tabanlı görüntülemeye dayanan beyin inme tiplerinin sınıflandırılması
Classification of brain stroke types based on microstrip antenna-based imaging
- Tez No: 959400
- Danışmanlar: DOÇ. DR. MİRAÇ DİLRUBA GEYİKOĞLU, DR. ÖĞR. ÜYESİ ASLI NUR POLAT
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Mikrodalga görüntüleme, Mikroşerit anten, Beyin inme, Makine öğrenmesi, Microwave imaging, Microstrip antenna, Brain stroke, Machine learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Amaç: Beynin işlevlerini etkili bir şekilde yerine getirebilmesi için sürekli bir kan akışına ihtiyacı vardır. Beyne giden kan akışının kısa süreli kesintiye uğraması erken tespit edilemezse ölümcül olabilen bir beyin inmesine yol açabilmektedir. Bu çalışma, inme tipi tespiti ve sınıflandırması için mikroşerit antenlere dayalı bir mikrodalga görüntüleme sistemi ve beyin inme tiplerinin yapay zekâ tabanlı tespitini önermektedir. Yöntem: Değişen dielektrik özelliklere sahip gerçekçi beyin dokusunu simüle etmek için CST Studio Suite kullanılarak voksel tabanlı insan kafası fantomu oluşturulmuştur. Önerilen sistem, iskemik ve hemorajik beyin inmelerini ayırt etmek için beyin dokusunun dielektrik özelliklerindeki farklılıklardan yararlanmaktadır. X band aralığında çalışacak şekilde bir anten elemanı oluşturulmuş ve toplamda 6 anten elemanı kullanılarak görüntüleme sistemi tasarlanmıştır. Anten elemanları beyinden 10 mm uzaklıkta mesafeye yerleştirilmiştir. Simülasyonlar üç farklı senaryo için ele alınmıştır. Bu senaryolar sırasıyla sağlıklı beyin, iskemik inme ve hemorajik inmeyi kapsamaktadır. Üç farklı senaryodan toplam 702 örneği içeren S-parametre verileri üretilmiştir. Bu örnekler 13 farklı kişinin voksel tabanlı fantom modellerinden elde edilmiş ve çeşitli makine öğrenmesi algoritmaları kullanılarak analiz edilmiştir. Bulgular: Az sayıda anten elemanı kullanılarak oluşturmuş olan noninvaziv görüntüleme sisteminden elde edilen veriler, Rastgele orman algoritması ile %97,29'luk doğruluğa ulaşarak, beyin inme teşhisi için olası potansiyelini ortaya çıkarmıştır. Rastgele orman algortimasına ek olarak hem XGBoost hem de LightGBM güçlü performans göstermiştir. Sonuç: Elde edilen verilere göre makine öğrenmesi teknikleriyle desteklenen mikrodalga görüntüleme sisteminin farklı beyin inme tiplerini yüksek doğrulukla ayırt edebildiği tespit edilmiştir. Çok sınıflı beyin modellerinin kullanımı ve gerçek biyoelektriksel özelliklerin simülasyonu da sistemin güvenilirliğini artırmaya katkıda bulunmuştur.
Özet (Çeviri)
Objective: The brain requires a continuous blood supply to function effectively. A short-term interruption in cerebral blood flow, if not detected early, can lead to a stroke, which may be fatal. This study proposes a microwave imaging system based on microstrip antennas and an artificial intelligence-based approach for the detection and classification of different types of brain stroke. Method: To simulate realistic brain tissue with varying dielectric properties, a voxel-based human head phantom was created using CST Studio Suite. The proposed system exploits the dielectric property variations of brain tissue to distinguish between ischemic and hemorrhagic strokes. An antenna element operating in the X-band frequency range was designed, and a total of six antenna elements were used to construct the imaging system. The antenna elements were positioned 10 mm away from the head surface. Simulations were conducted for three different scenarios: a healthy brain, ischemic stroke, and hemorrhagic stroke. S-parameter data consisting of 702 samples were generated from these three scenarios, using voxel-based phantom models of 13 different individuals. The data were analyzed using various machine learning algorithms. Results: The non-invasive imaging system developed using a limited number of antenna elements demonstrated strong potential for stroke diagnosis, achieving an accuracy of 97.29% with the Random Forest algorithm. In addition to Random Forest, both XGBoost and LightGBM also showed strong performance. Conclusion: The findings indicate that the microwave imaging system supported by machine learning techniques can distinguish between different types of brain strokes with high accuracy. The use of multi-class brain models and the simulation of real bioelectrical properties further contributed to the reliability of the system.
Benzer Tezler
- Graphene-based patch antenna design with switchable polarization for THz band
THz bandı ı̇çı̇n değı̇ştı̇rı̇lebı̇lı̇r poları̇zasyonlu grafen tabanlı yama anten tasarımı
GÜNER ATALIK
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAMİL KARAÇUHA
- Breast cancer detection and treatment using active sensor imaging and microwave hyperthermia
Aktif sensör görüntüleme ve mikrodalga hipertermi kullanarak meme kanseri tespiti ve tedavisi
FAWZIA ABDIEN ALI ABDULLA
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AŞKIN DEMİRKOL
- Directional wide band printed monopole antenna for use in microwave breast cancer imaging
Mikrodalga meme kanseri görüntüleme kullanımı için geniş bantlı yönlü mikroşerit anten
JAVAD JANGİ GOLEZANİ
Yüksek Lisans
İngilizce
2012
İletişim Bilimleriİstanbul Teknik ÜniversitesiHaberleşme Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Kalp damar tıkanıklığının tespiti için giyilebilir mikroşerit anten tasarımı
Wearable microstrip antenna design for detection of cardiovascular occlusion
HAKAN UYANIK
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİLEK UZER
- Using nitrogen-vacancy center diamond as a quantum sensor for magnetic anomaly detection
Azot-boşluk merkezli kuantum elmas sensörler ile manyetik anomali tespiti
ÖMERTAHA GÜNGÖR
Yüksek Lisans
İngilizce
2025
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ GELİR