MR görüntüleri üzerinden disk hernisinin tespiti ve sınıflandırılması
Detection and classification of disc herniation through MR images
- Tez No: 969632
- Danışmanlar: DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, lomber disk hernisi (bel fıtığı) tanısında yapay zekâ destekli yaklaşımların potansiyelini ortaya koymak amacıyla, derin öğrenme ve makine öğrenmesi tabanlı iki farklı sistem geliştirilmiştir. Tez kapsamında, farklı düzlemlerde elde edilmiş iki ayrı Manyetik Rezonans (MR) görüntüleme veri seti kullanılarak segmentasyon ve sınıflandırma olmak üzere iki temel problem ele alınmıştır. Axial düzlemdeki MR görüntüleri ile bel bölgesinin segmentasyonu gerçekleştirilirken, sagittal düzlemdeki MR görüntüleri kullanılarak disk hernisi sınıflandırma modeli geliştirilmiştir. Bu doğrultuda, her bir veri seti için özel olarak tasarlanmış model mimarileri ve yöntemsel yaklaşımlar uygulanmıştır. Segmentasyon çalışmasında, ResNet50 temelli encoder yapısı ile U-Net mimarisi birleştirilmiş ve bu mimari üzerinde farklı optimizasyon algoritmalarının etkisi araştırılmıştır. Karşılaştırmaya dahil edilen algoritmalar arasında Adam, AdamW, RMSprop, Adadelta, Adamax, Adagrad ve Adafactor yer almıştır. Deneysel sonuçlar, RMSprop algoritmasıyla %89,9 Dice katsayısı, %83,1 Kesişim bölü Birleşim (KbB) ve %99,2 piksel doğruluğu gibi yüksek performans değerlerine ulaşıldığını göstermiştir. Bununla birlikte AdamW ve Adadelta da benzer düzeyde başarılı sonuçlar vermiştir. Önerilen model, segmentasyon görevinde omurga yapılarının hassas biçimde ayrıştırılmasında etkili olmuş ve bu alandaki diğer yaklaşımlarla karşılaştırıldığında rekabetçi bir başarı düzeyi sergilemiştir. Sınıflandırma çalışmasında ise, sagittal MR görüntülerden elde edilen veriler üzerinde çeşitli derin öğrenme mimarileri (CapsNet, ResNet50, EfficientNetB6, DenseNet169) test edilmiş, ayrıca ResNet50 modelinden çıkarılan derin özelliklerin gri kurt optimizasyon algoritması (GKO) ile seçilip çok katmanlı algılayıcılar (ÇKA) ve destek vektör makineleri (DVM) ile sınıflandırılması gerçekleştirilmiştir. Deneysel sonuçlar, ResNet50-GKO-DVM yaklaşımının %99,42 F1 puanı ile en yüksek başarıyı gösterdiğini ortaya koymuştur. Bu başarı, özellikle geleneksel makine öğrenmesi algoritmaları ile derin öğrenme tabanlı özniteliklerin bütünleştirilmesinin ne kadar etkili olabileceğini göstermektedir. Diğer taraftan, kapsül ağlar (CapsNet) da yüksek bir başarı sağlayarak %98'in üzerinde doğruluk değeri elde etmiştir. Bu tezde sunulan her iki yaklaşım da, lomber disk hernisi tanı sürecinde hekimlere yardımcı olabilecek karar destek sistemlerinin geliştirilmesine yönelik önemli bir adım teşkil etmektedir. Segmentasyon ile disk yapılarının doğru şekilde ayrıştırılması sağlanırken, sınıflandırma ile patolojik ve sağlıklı disklerin etkin biçimde ayırt edilmesi mümkün olmuştur. Elde edilen sonuçlar, önerilen sistemlerin yüksek doğrulukla çalıştığını ve medikal görüntüleme alanında uygulanabilirliğe sahip olduğunu ortaya koymaktadır ve gelecekte geliştirilecek karar destek sistemlerine güçlü bir temel sunmaktadır.
Özet (Çeviri)
In this thesis, two distinct systems based on deep learning and machine learning were developed to demonstrate the potential of artificial intelligence-assisted approaches in the diagnosis of lumbar disc herniation (LDH). The study addresses two fundamental problems—segmentation and classification—by utilizing two separate magnetic resonance imaging (MRI) datasets acquired in different planes. While segmentation of the lumbar region was performed using axial MRI images, a classification model for disc herniation was developed based on sagittal MRI images. Accordingly, model architectures and methodological approaches were specifically designed for each dataset. In the segmentation task, a U-Net architecture integrated with a ResNet50-based encoder was employed, and the effects of different optimization algorithms on model performance were investigated. The compared algorithms included Adam, AdamW, RMSprop, Adadelta, Adamax, Adagrad, and Adafactor. Experimental results showed that the RMSprop algorithm achieved high performance, with a Dice coefficient of 89.9%, Intersection over Union (IoU) of 83.1%, and pixel accuracy of 99.2%. AdamW and Adadelta also yielded similarly successful results. The proposed model proved effective in accurately segmenting spinal structures and demonstrated competitive performance compared to other approaches in the literature. In the classification task, various deep learning architectures—including CapsNet, ResNet50, EfficientNetB6, and DenseNet169—were tested on the sagittal MR dataset. Additionally, deep features extracted from the ResNet50 model were selected using the Grey Wolf Optimization (GWO) algorithm and classified using multilayer perceptrons (MLPs) and support vector machines (SVMs). Experimental results indicated that the ResNet50-GWO-SVM approach achieved the highest performance, with an F1-score of 99.42%. This success highlights the effectiveness of combining deep feature representations with traditional machine learning classifiers. Furthermore, the capsule network (CapsNet) also demonstrated high performance, achieving an accuracy above 98%. Both approaches presented in this thesis represent important steps toward the development of decision support systems that can assist physicians in the diagnosis of lumbar disc herniation. While segmentation enables accurate delineation of disc structures, classification allows for effective differentiation between pathological and healthy discs. The obtained results confirm the high accuracy of the proposed systems and demonstrate their applicability in the field of medical imaging, offering a strong foundation for future development of clinical decision support systems.
Benzer Tezler
- Automated detection and classification of spinal disc herniation using deep learning on MRI images
MR görüntülerinde derin öğrenme kullanılarak omurga disk hernisinin otomatik tespiti ve sınıflandırılması
MUSTAFA ISAM ALAJAJ
Yüksek Lisans
İngilizce
2024
İstatistikİstanbul Gedik Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RIZA DİLEK
- Lumbal disk hernisi tanısı alan kişilerde, herni bulunan intervertebral aralıktaki morfometrik özelliklerin diğer aralıktakilerle karşılaştırılması
Comparison of morphometric features of the hernia situated intervertebral space with other space in individuals who receive a diagnosis of lumbar disc herniation
MELTEM EMİR
Yüksek Lisans
Türkçe
2012
AnatomiKaradeniz Teknik ÜniversitesiAnatomi Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET ALİ ÇAN
- Lomber disk hernili hastalarda lumbal vertebra ve intervertebral disklerin morfometrik özelliklerinin incelenmesi
Investigation of the morphometry properties of lumbal vertebra and intervertebral disc in patients with lumbar disc hernia
RUŞEDA NUR ERTARĞIN
Yüksek Lisans
Türkçe
2024
AnatomiTokat Gaziosmanpaşa ÜniversitesiAnatomi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELTEM AÇAR GÜDEK
- Lumbal disk hernisi ve spinal stenoz olgularında ilgili anatomik bölgenin radyolojik ve klinik bulgular ile değerlendirilmesi
Evaluation of the radiological and clinical findings of the related anatomical region in patient with lumbar disc hernia and spinal stenosis
AYLA TEKİN
- Derin öğrenme ile manyetik rezonans görüntüleri üzerinden temporomandibular eklem yapısal bileşenlerinin segmentasyonu ve anteriora konumlanmış diskin tespiti
Segmentation of structural components of the temporomandibular joint and detection of anteriorly positioned discs in magnetic resonance images using deep learning
BÜŞRA SINMAZ
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiBezm-İ Alem Vakıf ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİFHAN ALAGÖZ