Beyin MR görüntülerinin iyileştirilmesi ve derin öğrenme metotları ile beyin tümörü tespiti
Enhancement of brain mr images and detection of brain tumors with deep learning methods
- Tez No: 979746
- Danışmanlar: DR. ÖĞR. ÜYESİ ERHAN BERGİL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Amasya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın temel amacı, beyin tümörü içeren manyetik rezonans görüntülerinde derin öğrenme tabanlı nesne tespiti modelleri kullanılarak, farklı görüntü iyileştirme yöntemlerinin model performansı üzerindeki etkilerini sistematik biçimde incelemektir. Erken ve doğru teşhisin klinik açıdan kritik öneme sahip olması nedeniyle, görüntülerdeki gürültü, kontrast düzensizlikleri ve düşük kalite sorunlarını azaltmak için Gauss, medyan, Wiener, CLAHE ve morfolojik işlemler ile bu yöntemlerin ikili kombinasyonları uygulanmıştır. Çalışmada 780 adet tümörlü MR görüntüsünden oluşan bir veri seti kullanılmıştır. YOLOv8, SSD MobileNet-V2 ve DETR modelleri hem ham hem de iyileştirilmiş görüntüler üzerinde test edilmiştir. Derin öğrenme modellerinin performans değerlendirmesinde [email protected], mAP@[0.5:0.95], kesinlik (precision), duyarlılık (recall) ölçütleri kullanılırken, görüntü iyileştirme aşamasında ise MSE, PSNR ve SSIM ölçütleri kullanılmıştır. Özellikle Gauss filtresi, MSE değerlerini düşürüp PSNR ve SSIM değerlerini artırarak görüntü kalitesinde belirgin bir iyileşme sağlamıştır. Elde edilen sonuçlar, görüntü iyileştirmenin özellikle SSD modelinde belirgin şekilde pozitif katkı sağladığını; YOLOv8 ve DETR modellerinde ise kullanılan yönteme bağlı olarak etkilerin sınırlı veya değişken olabildiğini göstermektedir. SSD modeli, iyileştirme sonrası güven skorunda %12, mAP değerinde ise yaklaşık %9,8 oranında artışla en yüksek performans kazanımını göstermiştir. Gauss–Kapama kombinasyonu DETR için en iyi sonucu verirken, CLAHE–Genişleme 3 derin öğrenme modelinde de performans düşüşüne yol açmıştır. Genel olarak, bulanıklık ve morfolojik işlemlerin birlikte kullanımı, özellikle SSD modelinde güven skorunda yaklaşık %10 oranında artış sağlarken, YOLOv8 ve DETR modellerinde ise yöntem türüne bağlı olarak daha sınırlı ancak ölçülebilir düzeyde performans değişimleri gözlemlenmiştir. Bu bulgular, görüntü iyileştirme stratejilerinin, kullanılan derin öğrenme modellerinin mimari özellikleriyle birlikte ele alınması gerektiğini ortaya koymaktadır.
Özet (Çeviri)
The primary aim of this study is to employ deep learning–based object detection models on magnetic resonance MR images containing brain tumors and to systematically examine the effects of different image enhancement methods on model performance. Since early and accurate diagnosis is clinically crucial, Gaussian, median, Wiener, CLAHE, and morphological operations, as well as their pairwise combinations, were applied to reduce noise, contrast irregularities, and low-quality artifacts in the images. The study was conducted using a dataset consisting of 780 MR images containing brain tumors. YOLOv8, SSD MobileNet-V2, and DETR models were tested on both raw and enhanced images. In the performance evaluation of deep learning models, [email protected], mAP@[0.5:0.95], precision, and recall metrics were employed, whereas in the image enhancement stage, MSE, PSNR, and SSIM metrics were utilized. In particular, Gaussian filtering significantly reduced MSE values and improved PSNR and SSIM metrics, leading to a clear enhancement in image quality. The results indicate that image enhancement provided a notably positive contribution, especially for the SSD model, while its effects on YOLOv8 and DETR models were more limited or varied depending on the method applied. The SSD model achieved the highest performance gain, with a 12% increase in confidence scores and approximately a 9.8% improvement in mAP after enhancement. The Gaussian–Closing combination yielded the best results for the DETR model, whereas CLAHE–Dilation led to performance degradation in all three deep learning models. Overall, combining blurring and morphological operations resulted in an approximate 10% increase in confidence scores for SSD and produced more limited but measurable performance variations for YOLOv8 and DETR depending on the applied method. These findings highlight that image enhancement strategies should be evaluated in conjunction with the architectural characteristics of the deep learning models used.
Benzer Tezler
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Evrişimsel sinir ağı ve görü dönüştürücü mimarileri kullanılarak MR görüntülerinde beyin tümörlerinin otomatik sınıflandırılması
Automatic classification of brain tumors in MR images using convolutional neural network and vision transformer architectures
ÖMER MİRAÇ KÖKÇAM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK
- Derin öğrenme yöntemlerini kullanarak MR görüntülerinden otomatik tümör tespiti
Automatic tumor detection from brain MRI images using deep learning techniques
NECİP ÇINAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Medikal görüntülerin sınıflandırılmasında kapsül ağ tabanlı derin öğrenme mimarilerinin geliştirilmesi
Improving capsule network based deep learning architectures for classification of medical images
SÜMEYRA BÜŞRA ŞENGÜL
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER ALİ ÖZKAN
- Development of software tools for improved 1H magnetic resonance spectroscopic imaging
İyileştirilmiş 1H manyetik rezonans spektroskopik görüntüleme için yazılım araçlarının geliştirilmesi
SEVİM CENGİZ
Doktora
İngilizce
2022
BiyomühendislikBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESİN ÖZTÜRK IŞIK