Geri Dön

Beyin manyetik rezonans görüntülerinde makine öğrenmesi tabanlı tümör tespiti ve sınıflandırılması

Machine learning based tumor detection and classification in brain magnetic resonance images

PDF İndir

  1. Tez No: 960120
  2. Yazar: ÖZLEM ALTIOK
  3. Danışmanlar: DOÇ. DR. MURAT ALPARSLAN GÜNGÖR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hitit Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Meningiomalar, merkezi sinir sistemindeki en yaygın primer beyin tümörleridir. Çoğu iyi huylu olmasına rağmen, boyutları ve konumları nedeniyle birçok hayati fonksiyona zarar verebilirler. Literatürde meningioma sınıfının da içinde bulunduğu çok sınıflı beyin tümörü sınıflandırma teknikleri bulunmaktadır. Bu çalışmada önerilen metod ile çoklu sınıflandırma yöntemlerinin yerine ikili sınıflandırma kullanılarak meningioma tümör tespitinin başarısının artırılması hedeflenmiştir. Önerilen metod üç adımlı bir sınıflandırma yöntemi uygulayarak ve son sınıflandırma aşamasında dört farklı makine öğrenmesi algoritmasının gücünü birleştirerek sınıflandırma başarısını artırmıştır. Çalışmada meningioma ve diğer tümör tiplerinin T1 ağırlıklı kontrastlı beyin Manyetik Rezonans (MR) görüntülerini içeren Figshare beyin tümörü veri seti kullanılmıştır. İlk olarak, gray levela dönüştürülen eğitim görüntülerinden Gray-Level Co-Occurance Matrix algoritması (GLCM) özellikleri çıkarılmıştır ve bu veriler Linear SVM ile eğitilmiştir. Meningioma eğitim görüntüleri Non-Local Means (NLM) filtresi ile filtrelendikten sonra k-Means Clustering kullanılarak bölütlenmiştir ve tümörün bulunduğu kümedeki bölgelerin GLCM özellikleri ve contour özellikleri çıkarılmıştır. Daha sonra contour özellikleri eXtreme Gradient Boosting (XGBoost) ile eğitilmiştir. GLCM özellikleri ise XGBoost, Light Gradient Boosting Machine (LGBM), Linear Support Vector Machine (Linear SVM), Extra Trees ile eğitilmiştir. Sonra da algoritmada belirlenen sıra ile test görüntüleri üzerinde gerekli sınıflandırmalar yapılarak sonuç meningioma ya da meningioma değil şeklinde tespit edilmiştir. Elde edilen sonuçlar literatürle karşılaştırıldığında önerilen metodun daha iyi performans gösterdiği gözlemlenmiştir.

Özet (Çeviri)

Meningiomas are the most common primary brain tumors in the central nervous system. Although most of them are benign, they can damage many vital functions due to their size and location. There are multi-class brain tumor classification techniques in the literature, including the meningioma class. In this study, the proposed method aims to increase the success of meningioma tumor detection by using binary classification instead of multiple classification methods. The proposed method increases the classification success by applying a three-step classification method and combining the power of four different machine learning algorithms in the final classification stage. Figshare brain tumor dataset, which includes T1-weighted contrast-enhanced brain Magnetic Resonance (MR) images of meningiomas and other tumor types, was used in the study. First, Gray-Level Co-Occurance Matrix algorithm (GLCM) features were extracted from the gray-level converted training images and these data were trained with Linear SVM. After filtering the training images of meningioma with the Non-Local Means (NLM) filter, they were segmented using k-Means Clustering and the GLCM features and contour features of the regions in the cluster where the tumor was located were extracted. Then, the contour features were trained with eXtreme Gradient Boosting (XGBoost). The GLCM features were trained with XGBoost, Light Gradient Boosting Machine (LGBM), Linear Support Vector Machine (Linear SVM), Extra Trees. Then, the necessary classifications were made on the test images in the order determined in the algorithm and the result was determined as meningioma or not meningioma. When the obtained results were compared with the literature, it was observed that the proposed method performed better.

Benzer Tezler

  1. Tez No

    945247

    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

    NUSAIBAH KHALID ABDULMAJEED AL-SALIHI

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

    PROF. DR. TURGAY İBRİKÇİ

  2. Tez No

    935396

    Manyetik rezonans görüntülerinden beyin tümörünün sınıflandırılması için derin öğrenme tabanlı karar destek sistemi

    A deep learning-based decision support system for classification of brain tumors from magnetic resonance images

    OĞUZHAN ŞİMŞEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KEMAL AKYOL

  3. Tez No

    784802

    Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti

    Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images

    GÖKHAN UÇAR

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  4. Tez No

    943944

    A comprehensive framework for early tumor detection and quality control of MRI images using python

    Erken tümör tespiti ve MRI görüntülerinin kalite kontrolü için kapsamlı bir çerçeve Python kullanımı

    HUDA MOHSİN HADİ SHUJAIRI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. İSKENDER AKKURT

  5. Tez No

    963495

    Lesion segmentation in brain magnetic resonance (MRİ) images

    Beyin manyetik rezonans (MR) görüntülerinde lezyon segmentasyonu

    DİLAN DOĞRU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilim ve Teknolojiİzmir Katip Çelebi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONAN GÜREN

Geri Dön