NCCT görüntüleme kullanılarak iskemik inmede ölüm oranının yapay zeka yöntemleri ile tahmin edilmesi
Predicting mortality rate in ischemic stroke using artificial intelligence with NCCT imaging
- Tez No: 988642
- Danışmanlar: PROF. DR. KEMAL POLAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Radyomikler, Transformatör, Radiomics
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, inme sınıflandırma ve segmentasyon görevleri için kamuya açık bir radyolojik görüntü veri kümesi olan Çekirdek-Penumbra Akut İskemik İnme Veri Kümesi (CPAISD) kullanılmıştır. Veri kümesi farklı yaş, cinsiyet ve klinik durumlardan gelen hastaların beyin Kontrastsız Bilgisayarlı Tomografi (NCCT) görüntülerini içermektedir. Çalışmamızda, transformatör tabanlı bir model tercih edilmiş, NCCT görüntülerinden tespit edilen en etkili 40 radyomik özellik çıkarılmış, kayıp fonksiyonları ve Simple Attention, Multi Head Attention mekanizmaları ile transformatör mimarinin iskemik inmenin ölümcüllük sınıflaması üzerine etkileri gözlenmiştir. RadiomicsTransformer (RT) isimli modelimiz, radyomik seçimi, focal loss, 5-katlı çapraz doğrulama ve simple attention uygulamaları ile beraber 0,6889 doğruluk, 0,6930 kesinlik, 0,6778 duyarlılık ile 0,6854 f1- skoru ve 0,7167 ROC AUC değerlerini sağlamıştır. Sonuçlar, dengesiz ve yetersiz veri kümelerinde transformatör tabanlı derin öğrenme (DL) modelinin yapılan uygulamalar neticesinde, klasik makine öğrenimi (ML) modellerine göre üstün performansını ve inme teşhisinde transformatör mimarimizin klinik olarak test edilebilir potansiyel barındırdığını göstermektedir.
Özet (Çeviri)
In this study, the Core-Penumbra Acute Ischemic Stroke Dataset (CPAISD), a publicly available radiological image dataset, was used for stroke classification and segmentation tasks. The dataset includes brain Non-Contrast Computed Tomography (NCCT) images of patients with different ages, genders, and clinical conditions. In our study, a transformer-based model is preferred, the most effective 40 radiomic features detected from NCCT images are extracted, and the effects of transformer architecture on the classification of ischemic stroke lethality are observed with loss functions and Simple Attention, Multi Head Attention mechanisms. Our RadiomicsTransformer (RT) model, with radiomics selection, focal loss, 5-fold cross-validation, and simple attention applications, provides 0.6889 accuracy, 0.6930 precision, 0.6778 sensitivity, 0.6854 F1-score and 0.7167 ROC AUC values. The results demon- strate that, on imbalanced and limited datasets, the transformer-based deep learning (DL) model outperforms classical machine learning (ML) models, and that our transformer architecture holds clinically testable potential for stroke diagnosis.
Benzer Tezler
- Halotan ve enfluran anestezisinin somatosensoriyel uyartılmış potansiyellere etkisi
Başlık çevirisi yok
CELALETDİN AVNİ BABACAN
- Neoclassical ratation of tokamak plasmas in the plateau regime
Plato bölgesinde tokamak plazmalarının neoklasik dönemi
MİLENA A.ANGELOVA
Yüksek Lisans
İngilizce
1997
İstanbul Teknik ÜniversitesiHavacılık Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Konjenital kardiyak cerrahi sonrasında myokard hasarının belirlenmesinde troponin T nin rolü ve prognozdaki önemi
The role troponin T for determination of mycardial I injury and its impertance on the prognosis after congenital cardiac surgery
SEHER KARAFAKI
