Dejeneratif omurga hastalıklarının sınıflandırılması için docker konteynerleri tabanlı multimodal derin öğrenme yaklaşımları
Docker-based multimodal deep learning approaches for the classification of degenerative spinal diseases
- Tez No: 960521
- Danışmanlar: DOÇ. DR. İBRAHİM ÖNDER YENİÇERİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Radyoloji ve Nükleer Tıp, Computer Engineering and Computer Science and Control, Engineering Sciences, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 163
Özet
Günümüzde sağlık sektöründe yapay zekâ (YZ) teknolojilerinin entegrasyonu, hastalıkların tanı ve tedavi süreçlerinde devrim niteliğinde gelişmelere yol açmıştır. Özellikle radyoloji alanında, yapay zekâ destekli görüntüleme analizleri, hastalıkların daha erken ve doğru teşhis edilmesine olanak tanıyarak klinik süreçlerin etkinliğini artırmakta ve sağlık hizmetlerinin kalitesini yükseltmektedir. Yapay zekâ sistemleri, görüntülerin incelenmesi sırasında radyologların üzerindeki iş yükünü azaltarak, teşhis süreçlerini hızlandırmakta ve insan kaynaklı hataların önüne geçebilmektedir. Bu bağlamda, YZ destekli radyolojik tanının önemi giderek artmakta, hem klinik hem de akademik araştırmaların vazgeçilmez bir parçası hâline gelmektedir. Radyoloji alanında uygulanan yapay zekâ yöntemleri arasında Evrişimli Sinir Ağları (CNN) ve Uzun Kısa Süreli Hafıza (LSTM) ağları gibi derin öğrenme modelleri ön plana çıkmaktadır. CNN'ler, özellikle tıbbi görüntülerin işlenmesinde ve patolojilerin belirlenmesinde oldukça başarılıdır. LSTM ağları ise zaman içinde değişen veya ardışık veri setlerini analiz etmede yüksek performans göstermektedir. Bu iki modelin entegrasyonu, tıbbi görüntüleme alanında karmaşık verilerin daha doğru ve tutarlı şekilde analiz edilmesini sağlayarak, teşhis doğruluğunu önemli ölçüde artırmaktadır. Bu tez çalışmasında, dünya genelinde yaygın olarak görülen ve önemli bir sağlık sorunu olan lomber omurga dejenerasyonunun otomatik sınıflandırılması hedeflenmiştir. Omurga dejenerasyonu, bireylerin yaşam kalitesini düşürmekte ve sağlık sistemleri üzerinde ciddi ekonomik yükler yaratmaktadır. Geleneksel değerlendirme yöntemleri genellikle radyologların kişisel tecrübe ve gözlemlerine dayanmakta olup, bu durum tanıda sübjektifliğe ve tutarsızlıklara neden olabilmektedir. Bu sorunu aşmak adına, tez çalışmasında modüler ve ölçeklenebilir bir yapay zekâ mikro hizmet mimarisi önerilmiştir. Geliştirilen sistem, MRI görüntüleri, anatomik koordinat bilgileri ve hasta klinik verileri gibi farklı türdeki veri girişlerini kullanarak çok modlu bir analiz gerçekleştirmektedir. Tez kapsamında geliştirilen yazılım mimarisi, modülerlik prensiplerine uygun olarak tasarlanmış olup, her modülün bağımsız olarak geliştirilmesine ve güncellenmesine olanak sağlamaktadır. Bu sayede, ölçeklenebilirlik ve sürdürülebilirlik artırılmış, sistemin farklı klinik ve araştırma ortamlarına entegrasyonu kolaylaştırılmıştır. Kullanılan ResOps (Research Operations) ve ReScrum gibi yenilikçi metodolojiler, araştırma projelerinin yönetimini kolaylaştırmakta ve süreçlerin verimliliğini artırmaktadır. RSNA (Radiological Society of North America) tarafından sağlanan çok merkezli ve kapsamlı bir veri seti ile eğitilen modeller, vertebral seviye sınıflandırması, anatomik koordinat tahmini ve subartiküler stenoz sınıflandırması gibi görevlerde üstün performans sergilemiştir. Ayrıca, öğrenme halüsinasyonları olarak bilinen yanlış tanıların önüne geçilmesi için sistematik çözümler geliştirilmiştir. Sonuç olarak, geliştirilen mikro hizmet mimarisi, klinik uygulamalarda güvenilir, hızlı ve tutarlı teşhis süreçlerinin gerçekleştirilmesine imkân tanımakta ve radyologların teşhis performansını artırarak sağlık hizmetlerinin kalitesini yükseltmektedir. Bu çalışma, klinik ve araştırma ortamlarında yapay zekâ uygulamalarının yaygınlaşmasına önemli bir katkı sunmaktadır.
Özet (Çeviri)
Today, the integration of artificial intelligence (AI) technologies in the healthcare sector has led to revolutionary developments in the diagnosis and treatment processes of diseases. Especially in the field of radiology, AI-supported imaging analyses increase the efficiency of clinical processes and improve the quality of healthcare services by allowing earlier and more accurate diagnosis of diseases. Artificial intelligence systems reduce the workload on radiologists during the examination of images, accelerate diagnostic processes, and can prevent human-related errors. In this context, the importance of AI-supported radiologic diagnosis is increasing and is becoming an indispensable part of both clinical and academic research. Deep learning models such as Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks come to the fore among the artificial intelligence methods applied in the field of radiology. CNNs are particularly successful in processing medical images and identifying pathologies. LSTM networks, on the other hand, show high performance in analyzing time-varying or sequential data sets. The integration of these two models significantly increases diagnostic accuracy by enabling more accurate and consistent analysis of complex data in the field of medical imaging. This thesis aims to automatically classify lumbar spine degeneration, which is a common and important health problem worldwide. Spinal degeneration reduces the quality of life of individuals and creates serious economic burdens on health systems. Traditional assessment methods are generally based on the personal experiences and observations of radiologists, which can cause subjectivity and inconsistencies in diagnosis. In order to overcome this problem, a modular and scalable artificial intelligence microservice architecture is proposed in the thesis. The developed system performs a multi-modal analysis using different types of data inputs such as MRI images, anatomical coordinate information and patient clinical data. The software architecture developed within the scope of the thesis is designed in accordance with the principles of modularity and allows each module to be developed and updated independently. In this way, scalability and sustainability have been increased, and the integration of the system into different clinical and research environments has been facilitated. Innovative methodologies such as ResOps (Research Operations) and ReScrum facilitate the management of research projects and increase the efficiency of the processes. Models trained with a multi-center and comprehensive dataset provided by RSNA (Radiological Society of North America) have demonstrated superior performance in tasks such as vertebral level classification, anatomical coordinate estimation and subarticular stenosis classification. In addition, systematic solutions have been developed to prevent misdiagnoses known as learning hallucinations. As a result, the developed microservice architecture enables reliable, fast and consistent diagnostic processes to be carried out in clinical applications and increases the quality of healthcare services by increasing the diagnostic performance of radiologists. This study makes a significant contribution to the spread of artificial intelligence applications in clinical and research environments.
Benzer Tezler
- Lomber dejeneratif disk hastalığı ile Vitamin D reseptör ve Aggrecan gen polimorfizmleri arasındaki ilişkinin incelenmesi
Investigation of assosiation betweenthe polymorphisms of Vitamin D receptor and aggrecan genes with lumbar degenerative disc disease
BETÜL ESER
Doktora
Türkçe
2009
GenetikSelçuk ÜniversitesiTıbbi Genetik Ana Bilim Dalı
DOÇ. DR. TÜLİN ÇORA
PROF. DR. MUSTAFA SOLAK
- Dejeneratif omurga hastalığında cisimlerarası (interbody) füzyonun etkinliği
Effectivity of interbody fusion procedure in dejenerative spine diseases
OKAN ÖZKUNT
Tıpta Uzmanlık
Türkçe
2011
Ortopedi ve Travmatolojiİstanbul ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. CÜNEYT ŞAR
- Lomber interbody füzyon için yeni bir kafes tasarımının sonlu elemanlar modeliyle biyomekanik olarak değerlendirilmesi
Biomechanical evaluation of a novel lumbar interbody fusion cage with finite element model
CELAL BOZKURT
Tıpta Uzmanlık
Türkçe
2010
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. ALPASLAN ŞENKÖYLÜ
- Dejeneratif omurga hastalıklarında transforaminal lomber interbody füzyonun 1 yıllık klinik ve radyolojik sonuçları
The 1-year clinical and radiological results for patients of degenerative lumbar diseases treated with transforaminal lumbar interbody fusion
KHALED M.I. SHATAT
Tıpta Uzmanlık
Türkçe
2022
Ortopedi ve TravmatolojiSağlık Bilimleri ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. BEKİR YAVUZ UÇAR
DOÇ. DR. ÇAĞRI ÖZCAN
- Transforaminal lomber ınterbody füzyon ameliyatında kafes yüksekliğini belirlemede intraoperatif nörofizyolojik monitorizasyon kullanımı etkinliğinin değerlendirilmesi
Evaluation of the efficacy of intraoperative neurophysiological monitoring in determining cage height in transforaminal lumbar interbody fusion surgery
YASİN SAYAR
Tıpta Uzmanlık
Türkçe
2019
Ortopedi ve Travmatolojiİstanbul ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. TURGUT AKGÜL