GAN ile sentetik beyin MR görüntülerinin oluşturulması ve transfer öğrenme sınıflandırıcılarının performanslarının karşılaştırması
Creating synthetic brain MR images with GAN and comparison of the performances of transfer learning classifiers
- Tez No: 990144
- Danışmanlar: DOÇ. DR. YAVUZ CANBAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nörolojik hastalıkların tanısında manyetik rezonans (MR) teknolojisi en çok tercih edilen görüntüleme teknolojilerinden biridir. Beyin hastalıklarının tespitinde MR görüntülerinden sıklıkla faydalanılır. Son yıllarda, gelişen yapay zeka teknolojileri sayesinde beyin hastalıklarının tespiti otomatik bir şekilde yapılabilmektedir. Ancak mahremiyet kaygıları ve veri toplama süreçlerinin yüksek maliyeti nedeniyle yeterli düzeyde beyin MR veri setinin bulunamaması yapay zeka temelli temelli segmentasyon, sınıflandırma ve tanı koyma çalışmalarında büyük zorluklar yaratmaktadır. Doktorlar için karar destek mekanizması olabilecek yapay zeka modelleri ancak yeterli ve nitelikli veri olduğu durumlarda başarılıdır. Ancak, yeterli miktarda ve nitelikte verinin bulunamadığı durumlarda yapay zeka modellerinin genellenebilirliği zayıf kalmaktadır. Üretken Çekişmeli Ağ (Generative Adversarial Networks - GAN) tabanlı modellerle sentetik görüntüler oluşturularak bu problemler çözülebilmektedir. Oluşturulan görüntüler gerçekçi ancak tamamen yeni örnekler olduğundan, veri mahremiyeti sorununu ortadan kaldırarak orijinal veri setinin ortaya koyduğu gerçek görüntü dağılımına yakın dağılımlar oluşturabilir. Bu çalışma, GAN mimarisiyle oluşturulan sentetik beyin MR görüntülerinin tümörlü-tümörsüz şeklinde sınıflandırılma problemlerinde gerçek beyin MR görüntüleriyle karşılaştırılabilir bir başarıya ulaşıp ulaşamayacağını ölçmektedir. Literatürde veri artırma yöntemlerine alternatif olarak kullanılan sentetik verilerin gerçek verilerin yerini alıp alamayacağının doğrudan tespiti bu çalışmanın benzersiz yönüdür. Ayrıca sentetik veri üretimi ile performans iyileştirmenin yanında bireylerin veri mahremiyetinin korunması temel motivasyon olarak benimsenmektedir. Bu faktörler çalışmanın sunduğu ayırt edici katkılardır. Tezde gerçekleştirilen deneysel çalışmalar kapsamında üç farklı senaryo sunulmaktadır. İlk senaryoda yalnızca gerçek MR görüntüleri, ikinci senaryoda yalnızca sentetik MR görüntüleri ve son senaryoda ise bu iki veri kümesinin birleşiminden oluşan artırılmış veri kümesi kullanılmaktadır. Üç farklı senaryoya göre eğitilen transfer öğrenme sınıflandırıcılarının performansları çeşitli metrikler kullanılarak değerlendirilmektedir. Bulgular, modellerin genel olarak sentetik verilerle daha iyi performans gösterdiğini, bazı modellerde ise orijinal ve sentetik verilerin birlikte kullanılmasının performans üzerinde olumlu bir etkiye sahip olabileceğini göstermektedir. Bu sonuçlar, GAN tabanlı sentetik görüntülerin yalnızca veri çeşitliliği sağlamakla kalmayıp aynı zamanda etik ve düzenleyici kurallara uygun sınıflandırma için işlevsel bir alternatif sunduğunu da göstermektedir. Bu bağlamda bu tez çalışması, tıbbi görüntü sınıflandırmasında mahremiyet odaklı sentetik veri üretimi kavramını pratik olarak test eden öncü bir yaklaşım sunmaktadır.
Özet (Çeviri)
Magnetic Resonance Imaging (MRI) is one of the most preferred imaging technologies for diagnosing neurological diseases. MRI images are frequently used in the detection of brain diseases. In recent years, thanks to advancements in artificial intelligence (AI) technologies, brain diseases can be detected automatically. However, the lack of sufficient brain MRI datasets due to privacy concerns and the high cost of data collection processes creates significant challenges in AI-based segmentation, classification, and diagnosis studies. AI models, which can serve as decision support mechanisms for doctors, are only successful when sufficient and high-quality data is available. Unfortunately, the generalizability of AI models remains weak when sufficient quantity and quality of data are not available. These problems can be solved by creating synthetic images using Generative Adversarial Network (GAN) based models. Since the generated images are realistic but entirely new samples, they can create distributions close to the actual image distribution revealed by the original dataset, eliminating the data privacy problem. This study measures whether synthetic brain MR images generated with GAN architecture can achieve comparable success to real brain MR images in classifying tumors as non-tumor-containing. The unique aspect of this study is its direct determination of whether synthetic data, used as an alternative to data augmentation methods in the literature, can replace real data. Furthermore, alongside performance improvement through synthetic data generation, the protection of individual data privacy is adopted as a primary motivation. These factors are the distinctive contributions of the study. Three different scenarios are presented within the scope of the experimental studies conducted in this thesis. In the first scenario, only real MR images are used; in the second scenario, only synthetic MR images are used; and in the last scenario, an augmented dataset consisting of a combination of these two datasets is used. The performance of transfer learning classifiers trained according to the three different scenarios is evaluated using various metrics. The findings indicate that models generally perform better with synthetic data alone, while in some models, using both original and synthetic data together can have a positive effect on performance. These results demonstrate that GAN-based synthetic images not only provide data diversity but also offer a functional alternative for classification that complies with ethical and regulatory rules. In this context, this thesis presents a pioneering approach that practically tests the concept of privacy-focused synthetic data generation in medical image classification.
Benzer Tezler
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Menzil profili modunda çalışan radarla otomatik hedef sınıflama
automatic target classification with radars operating in range profilling
CENK GÖKBERK
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ERCAN TOPUZ
- Generative-AI kullanarak beyin metastazında sentetik post-kontrast MRG: Kontrast iyileştirme için bir GAN çerçevesi
Synthetic post-contrast MRI in brain metastases using generative AI: A GAN framework for contrast enhancement
MERVE SOLAK
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
PROF. DR. FATMA BEYAZAL ÇELİKER
- Sigara bağımlılığının biyolojik sinyaller kullanarak makine öğrenmesi yöntemleri ile analizi
Analysis of smoking addiction using machine learning methods with biological signals
TALİP ÇAY
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYozgat Bozok ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMİL ALTIN
DR. ÖĞR. ÜYESİ EMRE ÖLMEZ
- Çekişmeli üretken ağlarla medikal görüntülerin üretimi ve analizi
Use of generative adversarial networks in medical image synthesis and segmentation
SARA ALTUN GÜVEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU