Transformer tabanlı derin öğrenme modelinin memekanseri görüntülemesinde kullanımı
Application of a transformer-based deep learning model inbreast cancer imaging
- Tez No: 982567
- Danışmanlar: DOÇ. DR. MUSTAFA BERKAN BİÇER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tarsus Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, meme kanserinin mikrodalga görüntüleme yöntemiyle tespiti amacıyla geliştirilen Transformer tabanlı KD-MWINet isimli derin öğrenme modelinin mimarisi ve performansı analiz edilmiştir. KD-MWINet, kompleks değerli saçılan elektrik alan (Es) matrislerini işleyerek tümör bölgelerinin tahmin edilmesini amaçlayan encoder–decoder tabanlı bir sinir ağı mimarisi sunmaktadır. Çalışmada kullanılan veri seti, 1–8 GHz frekans aralığında 1001 frekans noktasında ve 72 anten konumunda oluşturulan tamamen sayısal simülasyon verilerinden meydana gelmiştir. Toplam 10.000 senaryoda tümör sayısı, konumu ve yarıçapı rastgele belirlenmiş, giriş verileri reel ve imajiner bileşenleriyle ayrı kanallara ayrılarak modele sunulmuştur. Çıkışta 64×64 çözünürlüklü tümör tahmin haritaları elde edilmiştir. Eğitim süreci boyunca Adam optimizasyon algoritması ve cosine annealing öğrenme oranı planlayıcısı kullanılmış, model RTX 4090 GPU üzerinde 500 epoch boyunca eğitilmiştir. Değerlendirmede Dice, SSIM, PSNR, IoU, Precision ve Recall gibi metrikler kullanılmıştır. Sonuçlar, geliştirilen yapının doğruluk ve genelleme açısından güçlü bir performans sergilediğini, küçük tümörlerin segmentasyonunda literatürdeki benzer yöntemlerle rekabet edebilir seviyeye ulaştığını göstermiştir. Çalışma, mikrodalga görüntülemede kompleks değerli verilerle çalışan derin öğrenme mimarilerinin etkinliğini ortaya koyarak, bu alanın klinik uygulamalarına yönelik önemli bir adım sunmaktadır.
Özet (Çeviri)
This thesis investigates a Transformer-based deep learning model, KD-MWINet, developed for breast cancer detection using microwave imaging. The proposed model follows an encoder–decoder architecture designed to process complex-valued scattered electric field (Es) data and generate tumor probability maps. A fully synthetic dataset was created within the 1–8 GHz frequency range, using 1001 frequency points and 72 antenna positions, resulting in 10,000 scenarios with randomly assigned tumor numbers, locations, and radii. The input data were represented as real and imaginary components, while the outputs were 64×64 single-channel segmentation maps. Training was carried out with the Adam optimizer and cosine annealing scheduler, and model performance was assessed using metrics such as Dice, SSIM, PSNR, IoU, Precision, and Recall. The results demonstrated that the proposed model achieved competitive accuracy in tumor segmentation, particularly in detecting small lesions, and performed on par with state-of- the-art methods in the literature. This study highlights the potential of complex-valued neural networks enhanced with Transformer modules for biomedical imaging applications, contributing to the development of non-ionizing and cost-effective diagnostic tools.
Benzer Tezler
- Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Utilizing explainable artificial intelligence approaches to transformer based models in medical image analysis
DELAL ŞEKER
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULNASIR YILDIZ
- Lokal hastalıklı, bölgesel lenf nodu metastazlı ve uzak metastazlı meme kanserli hastaların ayrımında PET/BT görüntüleri ile derin öğrenmenin kullanılması
The use of deep learning on PET/CT images to differentiate between local disease, regional lymph node metastatic and distant metastatic breast cancer patients
ENES KOÇ
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpHatay Mustafa Kemal ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF. DR. HASAN İKBAL ATILGAN
- Çekişmeli üretici ağlar ile gerçekçi histopatolojik görüntü üretimi ve evre tespiti
Realistic histopathology image generation and stage detection with generative adversarial networks
REYHAN DEDE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN BİLGİN
- AI-driven enhancement and risk detection in microwave systems
Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti
İBRAHİM HALİL BAYAT
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
DR. ÖĞR. ÜYESİ SEMİH DOĞU
- Farklı derin öğrenme modelleri kullanarak histopatalojik görüntülerden meme tümörlerinin sınıflandırılmasında yeni yaklaşımlar
New approaches in classification of breast tumors from histopathological images using different deep learning models
SEMA NIZAM ABDULGHANI
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN