Silikozis hastalığının derin öğrenme yöntemleriyle teşhis edilmesi
Diagnosis of silicosis disease with deep learning methods
- Tez No: 998855
- Danışmanlar: DOÇ. DR. ÜMİT ATİLA, PROF. DR. SERTAÇ ARSLAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akciğer hastalıkları, CNN, Silikozis, Toraks ölçümleri, Veri artırma teknikleri, Lung diseases, CNN, Silicosis, Thorax measurement, Data augmentation techniques
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, toraks bilgisayarlı tomografi (BT) görüntülerinden silikozis tespiti için Evrişimli Sinir Ağları (CNN) tabanlı transfer öğrenme mimarileri ile Vision Transformer (ViT) yaklaşımı aynı klinik veri seti üzerinde karşılaştırmalı olarak değerlendirilmiştir. Çalışmanın temel amacı, segmentasyon destekli bir derin öğrenme hattı tasarlayarak, farklı mimarilerin tanısal performansını nesnel ölçütlerle ortaya koymak ve veri artırma tekniklerinin sınıflandırma başarısına etkisini incelemektir. Deneysel çalışmalarda, 43'ü silikozis, 31'i sağlıklı kontrol olmak üzere 74 bireye ait toraks BT görüntüleri kullanılmıştır. Veriler retrospektif olarak etik kurul onayıyla (Karar No: 2021-88) temin edilmiş ve pnömokonyoz konusunda deneyimli bir göğüs radyoloğu tarafından silikozis var/yok şeklinde etiketlenmiştir. Akciğer parankimine odaklanmak amacıyla U-Net tabanlı otomatik segmentasyon uygulanmış, elde edilen parankim odaklı kesitler üzerinde VGG16, DenseNet121, Xception, InceptionV3 ve ViT modelleri 5-katlı StratifiedKFold çapraz doğrulama ile eğitilip değerlendirilmiştir. Ayrıca her model için, çevrimiçi veri artırma stratejilerinin (döndürme, kaydırma, ölçekleme, yatay çevirme vb.) performans üzerindeki etkisi sistematik olarak analiz edilmiştir. Normal veri koşullarında ViT modeli, 0.9826±0.0098 ortalama doğruluk ve 0.9826±0.0098 ortalama F1-skoru ile en yüksek performansı sergilemiştir. CNN ailesi içinde en iyi temel çizgi Xception modeli ile elde edilmiş (0.8977±0.0253), diğer CNN mimarileri de kabul edilebilir doğruluk ve dengeli sınıflandırma performansı sunmuştur. Çevrimiçi veri artırma tüm modellerin başarımını iyileştirmiş; en büyük mutlak doğruluk artışı VGG16'da (+0.1701) gözlenmiştir. Artırılmış veri koşullarında ViT modeli 0.9936±0.0010 doğruluk ve 0.9936±0.0010 F1-skoru ile hem en yüksek hem de en düşük varyanslı sınıflandırma performansını sürdürmüştür. Elde edilen bulgular, segmentasyon destekli veri akışının ve uygun veri artırma stratejilerinin, özellikle küçük örneklem koşullarında model genellenebilirliğini belirgin biçimde güçlendirdiğini göstermektedir. Sonuçlar, Transformer tabanlı yaklaşımların toraks BT üzerinde silikozis tespiti için güçlü bir karar destek potansiyeli taşıdığını ve klasik CNN tabanlı mimarilerle birlikte klinik karar süreçlerine entegre edilebilecek rekabetçi birer alternatif sunduğunu ortaya koymaktadır. Çok merkezli ve daha büyük ölçekli veri kümeleri ile gerçekleştirilecek harici doğrulama çalışmaları, geliştirilen sistemin klinik ortama taşınması açısından önemli bir sonraki adımdır.
Özet (Çeviri)
This dissertation investigates deep learning based detection of silicosis from chest computed tomography (CT) images and presents a comparative analysis of convolutional neural network (CNN) based transfer learning architectures and a Vision Transformer (ViT) model on the same clinical dataset. The main objective is to design a segmentation-driven classification pipeline, quantitatively evaluate the diagnostic performance of different architectures, and examine the impact of data augmentation strategies on model generalization. The experimental dataset consists of chest CT scans from 74 individuals, including 43 patients with silicosis and 31 healthy controls. The data were collected retrospectively with institutional ethics approval (Decision No: 2021-88) and each case was labeled as silicosis present/absent by an experienced chest radiologist specialized in pneumoconiosis. To focus on the lung parenchyma, an automatic U-Net based lung segmentation was applied, and the resulting parenchyma-centered slices were used as input to the classification models. VGG16, DenseNet121, Xception, InceptionV3 and ViT were trained and evaluated using 5-fold StratifiedKFold cross-validation. For each model, online data augmentation (including rotation, translation, scaling and horizontal flipping) was systematically analyzed in order to assess its effect on classification performance. Under the original (non-augmented) data setting, the ViT model achieved the best performance with an average accuracy of 0.9826±0.0098 and an average F1-score of 0.9826±0.0098. Among the CNN architectures, Xception provided the strongest baseline with an average accuracy of 0.8977±0.0253, while the remaining CNN models also yielded acceptable and balanced classification performance. Online data augmentation improved the performance of all models, with the largest absolute gain observed in VGG16 (+0.1701 in accuracy). In the augmented data setting, the ViT model maintained the overall best performance, reaching an accuracy of 0.9936±0.0010 and an F1-score of 0.9936±0.0010 with very low variance across folds. The results demonstrate that segmentation driven data flow combined with appropriate data augmentation strategies can substantially enhance model generalization under small-sample conditions. Furthermore, they indicate that Transformer based architectures hold strong potential as decision support components for silicosis detection on chest CT, while modern CNN based models remain competitive when integrated into a well designed preprocessing and augmentation pipeline. Multi-center and larger-scale external validation studies are identified as a critical next step towards clinical translation of the proposed system.
Benzer Tezler
- Diffüz akciğer parankim hastalıklarının görüntülenmesinde yüksek rezolüsyonlu bilgisayarlı tomografide (YRBT) görünüm özellikleri
Başlık çevirisi yok
ÖMER ÖNBAŞ
Tıpta Uzmanlık
Türkçe
2002
Radyoloji ve Nükleer TıpAtatürk ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF.DR. ADNAN OKUR
- Granülomatöz akciğer hastalıklarında etiyoloji
Ethiology in granulomatous lung diseases
AYSEL ABBASOVA
Tıpta Uzmanlık
Türkçe
2020
Göğüs HastalıklarıErciyes ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. FATMA SEMA OYMAK
- Sistemik sodyum fusidatin bakteriyel deri hastalıklarındaki etkinliği
The efficacy of systemic sodium fusidate in the treatment of bacterial skin infections
RASHİD KHATİB
Tıpta Uzmanlık
Türkçe
2006
Dermatolojiİstanbul ÜniversitesiDermatoloji Ana Bilim Dalı
PROF.DR. YALÇIN TÜZÜN
- Mavi beyaza dönerken: Kot kumlama işçilerinde bir meslek hastalığı olarak silikozis
Where the blue turns to scorched: Silicosis as an occupational disease among jean sandblasting workers
NEŞERİZ YEŞİM YASİN
Yüksek Lisans
Türkçe
2009
Halk Sağlığıİstanbul ÜniversitesiHalk Sağlığı Ana Bilim Dalı
PROF. DR. SELMA KARABEY
- Silikozis tanısı konmuş kişilerde silikatlı tozlara maruziyetin incelenmesi
Investigation of exposure to silicate powders in people diagnosed with silicosis
ABDULLAH TALHA TÜRKMEN
Yüksek Lisans
Türkçe
2020
Halk Sağlığıİstanbul Medipol Üniversitesiİş Sağlığı ve Güvenliği Bilim Dalı
PROF. DR. GÜLDEN ZEHRA OMURTAG