Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Mühendislik Fakültesi, Biyomedikal Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: MERVE KÖRDEMİR
Asıl Danışman (Eş Danışmanlı Tezler İçin): AHMET BOZKURT, Kerim Kürşat Çevik
Özet:
Biyomedikal görüntüler üzerinden beyin tümörlerinin hızlı ve doğru tespit edilebilmesi, hastalara erken ve etkili tedavi olanağının yanı sıra iyi bir yaşam kalitesi sağlar. Son yıllarda bilgisayar donanımlarının gelişmesi ve çok sayıda ilgili veriye kolaylıkla ulaşılabilmesi yapay zekâ yöntemlerinin birçok alana uygulanmasına imkân sağlamıştır. Buna paralel olarak yapay zekânın uygulamaları olan makine öğrenmesi ve derin öğrenme teknolojileri de gelişim göstererek yaygınlaşmıştır. Derin öğrenme teknikleri günümüzde uzman doktorların biyomedikal görüntülerdeki anomalileri tespitine yardımcı olmakta ve böylece hastalıkların veya vücut içi anomalilerin daha erken, hızlı ve yüksek doğrulukla teşhisini mümkün kılmaktadır. Bu tez çalışmasında, üç tip beyin tümörünün (meninjiyom, gliom veya hipofiz) hacimlerini komşu doku ve yapılardan doğru bir şekilde bölütlemek ve bu tümörlerin doğru sınıflandırılmasını sağlamak için transfer öğrenme modelleriyle birlikte Faster R-CNN mimarisine maske (bölütleme) dalının eklenmesiyle oluşturulmuş Mask R-CNN (Maskeli B-ESA) tekniği uygulanmıştır. Mask R-CNN ile tespit, bölütleme ve sınıflandırma işlemleri tek bir çatı altında ve ilgili veri seti üzerinde görüntü işleme tekniklerine gerek duyulmadan gerçekleştirilmiştir. Çalışmamızda Mask R-CNN mimarisinin temel ağı için daha önce hem COCO hem de ImageNet veri setleri ile eğitilmiş ResNet-50 ve ResNet-101 mimarileri kullanılmıştır. Önerilen model eğitimleri COCO veya Imagenet başlangıç ağırlıkları ile başlatılmıştır. Test süreci sonunda COCO görüntüleri üzerinde önceden eğitilmiş ResNet-101 omurgasının sınıflandırma başarısının (%75) aynı veri setiyle eğitilmiş ResNet-50 omurgasının sınıflandırma başarısından (%55) daha yüksek olduğu gözlemlenmiştir. ResNet-50 omurgası ile ise ImageNet veri seti üzerindeki sınıflandırma doğruluğu (%87) aynı veri setiyle eğitilmiş ResNet-101 omurgasının sınıflandırma doğruluğuna (%37) kıyasla daha yüksek elde edilmiştir. Modellerin tümör türlerindeki bölütleme başarısını gösteren kesişim (IoU) ortalamaları meninjiyom tümörü için %83, gliom tümörü için %58, hipofiz tümörü için %75 olarak bulunmuştur. Mask R-CNN mimarisinin sağlık sektöründeki sistemlere aktarılabilir olması uzmanların beyin tümörlerini erken teşhisine yardımcı olacaktır.