Gerçek zamanlı kolorektal polip tespiti ve analizi için nesne tespit algoritmalarının kullanımı
Real-time colorectal polyp detection and analysis using object detection algorithms
- Tez No: 987397
- Danışmanlar: PROF. DR. ALİ HAKAN BÜYÜKLÜ
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kolorektal kanser (KRK), dünya çapında kanserle ilişkili ölümlerin önde gelen nedenlerinden biridir. Kolorektal kanserin önlenmesinde, kolonoskopi sırasında poliplerin zamanında ve doğru şekilde tespit edilmesi son derece önemlidir. Ancak, özellikle küçük veya gizlenmiş polipler geleneksel kolonoskopide gözden kaçabildiği için erken teşhis şansı azalır. Bu çalışma, aynı anda çoklu veri setlerini kullanarak eğitilen modellerler ile kolorektal polipleri kolonoskopi sırasında otomatik ve gerçek zamanlı olarak yüksek doğrulukla saptayabilen bir derin öğrenme modeli geliştirmek amacıyla planlandı. Bu amaçla, You Only Look Once (YOLO) algoritmasının en güncel sürümleri kolonoskopi görüntülerine uyarlanarak kapsamlı bir değerlendirmeye tabi tutuldu. Çalışmada, farklı YOLO mimarilerinin (YOLOv8m, YOLOv9m, YOLOv10m, YOLOv11m ve YOLOv12m) polip tespit performansları incelendi; model, gerçek klinik kolonoskopi görüntülerinden oluşan geniş ve farklı cihaz ve kaynaklarda oluşan bir veri seti ile eğitilerek mevcut yöntemlerle karşılaştırmalı olarak test edildi. Çalışmanın bulguları, mevcut yöntemlere kıyasla, geliştirilen model küçük ve belirsiz polipleri yakalama konusunda daha başarılı olarak polip atlama riskini azalttığı görüldü. En iyi model eldeki verilerle yaklaşık %90 F1-skor ve %85.4 Duyarlılık skoruna ulaştı ve literatürdeki benzer derin öğrenme tabanlı yaklaşımlarla karşılaştırıldığında polip algılamada kullanılan araştırma görüntü verilerinde başarılı sonuçlar saptandı. Ek olarak önerilen model gerçek zamanlı (yaklaşık 19 kare/sn hızında) çalışarak klinik uygulamada anlık geri bildirim sağlayabilmektedir. En başarılı olan model farklı cihaz veri setinden gelen görüntü üzerinde de %92.8 Duyarlılık ve %90.5 F1-skor gibi yüksek değerlere ulaştı. Çalışmanın sonucunda, çoklu veri seti üzerinden çalışma yapılsa dahi, güncel YOLO mimarilerinin polip atlama riskini azaltabileceği, farklı kaynak ve cihazlardan derlenmiş bilgisayar destekli tanı sistemlerinin kolorektal kanser taramalarında etkinliğinin artabileceği sonucuna varıldı.
Özet (Çeviri)
Colorectal cancer (CRC) is one of the leading causes of cancer-related deaths worldwide. Timely and accurate detection of polyps during colonoscopy is crucial for colorectal cancer prevention. However, because small or hidden polyps can be overlooked during traditional colonoscopy, the chance of early diagnosis is reduced. This study aimed to develop a deep learning model that can automatically detect colorectal polyps with high accuracy in real time during colonoscopy by training models simultaneously using multiple datasets. For this purpose, the latest versions of the You Only Look Once (YOLO) algorithm were adapted to colonoscopy images and subjected to a comprehensive evaluation. In this study, the polyp detection performance of different YOLO architectures (YOLOv8m, YOLOv9m, YOLOv10m, YOLOv11m, and YOLOv12m) was examined. The model was trained on a large dataset of real clinical colonoscopy images from different devices and sources and tested against existing methods. The study findings indicated that, compared to existing methods, the developed model was more successful in detecting small and subtle polyps, reducing the risk of missed polyps. The best model achieved an F1-score of approximately 90% and a Sensitivity of 85.4% with the available data, and compared to similar deep learning-based approaches in the literature, successful results were observed on research image data used for polyp detection. Additionally, the proposed model operates in real time (approximately 19 frames per second), providing instant feedback in clinical practice. The most successful model achieved high values of 92.8% Sensitivity and 90.5% F1-score on images from multiple device datasets. The study concluded that, even when working with multiple datasets, current YOLO architectures can reduce the risk of missed polyps and increase the effectiveness of computer-aided diagnostic systems compiled from different sources and devices in colorectal cancer screening.
Benzer Tezler
- Kolorektal kanser etyopatogenezinde TNF süper ailesi 4 ile ilişkili mikroRNAların araştırması
Investigation of TNF superfamily 4 associated microRNAs in colorectal cancer etiopathogenesis
DİLARA SÖNMEZ ZOR
- Derin öğrenme tabanlı gerçek zamanlı polip tespit yöntemlerinin geliştirilmesi ve incelenmesi
Development and investigation of deep learning based real-time polyp detection methods
İSHAK PAÇAL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DERVİŞ KARABOĞA
- Kolorektal kanserler,adenomlar ve poliplerde gerçek zamanlı polimeraz zincir reaksiyonu ile yüksek riskli insan papillomavirüs tiplerinin araştırılması
İnvestigation of high-risk human papillomavirus types by real-time polymerase chain reaction in colorectal cancers,adenomas,polyps
MELİKE ÇAĞLAR
Tıpta Uzmanlık
Türkçe
2024
MikrobiyolojiSağlık BakanlığıTıbbi Mikrobiyoloji Ana Bilim Dalı
DOÇ. DR. AYFER BAKIR
- Determining the quality of life patients with colorectal cancer in Al-Diwaniyah Teaching Hospital in Iraq
Irak Al-Diwaniyah Eğitim Hastanesindeki kolorektal kanserli hastaların yaşam kalitesinin belirlenmesi
AHMED KAREEM HADI HADI
Yüksek Lisans
İngilizce
2023
HemşirelikÇankırı Karatekin ÜniversitesiHemşirelik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEDRET TEKİN KAYA
- Kolerektal kanserde Human Papilloma Virus araştırılması
Human Papilloma Virus (HPV) investigation in colorectal cancer
WASSIM ALMAHLI
Doktora
Türkçe
2021
MikrobiyolojiGaziantep ÜniversitesiTıbbi Mikrobiyoloji Ana Bilim Dalı
PROF. DR. FAHRİYE EKŞİ