Detection of cancerous brain cells with machine learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: UYGAR CANKAT
Danışman: Taner Danışman
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Günümüzde beyin tümörü hastalığında artış görülmektedir. Beyin tümörleri, beyinde yabancı bir kütlenin yavaşça büyümesine ve bir kişiyi ölüme götürmesine neden olan ciddi bir hastalıktır. Tümör teşhisinin erken aşamada ve doğru bir şekilde tespit edilmesi, hastalıkla mücadelede büyük önem taşır. MRI görüntüleme teknolojisi, diğer teknolojilere göre beyin tümörlerini daha net ve ayrıntılı şekilde görüntüleyebilir. Bu görüntülerin tespiti kolay değildir ve bazı durumlarda hastalık zor tespit edildiğinde, hasta için geç olabilir. Bu aşamada, görüntü işleme teknikleri büyük önem taşır. Tez çalışmasında, görüntü işleme teknikleri büyük önem taşır. MRI görüntüsündeki veriler, segmentasyon ve sınıflandırma teknikleri ile analiz edilir ve hastalığın segmenti, konumu ve özellikleri gibi birçok durumda doktorlara ve tıp dünyasına fayda sağlar. Böylece, hastalıkların erken aşamada teşhis edilmesi mümkün olabilir. Bu tez çalışmasında, öncelikle Kaggle üzerinden glioma, meningioma, pituitary ve notumor etiketli 7023 MR görüntüsü kullanılmıştır. Bu görüntüler, beyin tümörlerinin sınıflandırılmasında kullanılan ileri seviye bir yapay zekâ modeli olan EfficientNet'in uygulamasının derinlemesine incelenmesi için kullanılmıştır. EfficientNet, geniş bir veri seti üzerinde eğitildiğinde, farklı beyin tümörü türlerini yüksek doğrulukla ayırt edebilen bir mimaridir. Modelin eğitim sürecinde, derin öğrenme algoritmalarının karmaşık yapısal ve görsel desenleri tanıma yeteneği, MRI görüntülerindeki tümörlerin doğru bir şekilde sınıflandırılması için kritik önem taşır. Tümörlerin tipi, boyutu ve yerleşim yeri gibi hayati özelliklerin incelenmesi bu süreçte merkezi bir role sahiptir. Bu tez kapsamında, Convolutional Block Attention Module (CBAM) entegrasyonu kullanılarak modelin performansı optimize edilmiştir. CBAM, modelin önemli özellikleri seçmesine yardımcı olarak sınıflandırma doğruluğunu artırmakta ve beyin tümörü MRI görüntülerini daha etkin analiz edebilmesini sağlamaktadır. Bu yaklaşım, daha hassas teşhislerin konulabilmesine imkân tanır. Tezin odak noktası, beyin tümörlerinin çeşitli alt türlerinin ayırt edilmesi üzerinedir. Glioma, meningioma, pituitary tümörleri ve tümörsüz alanlar gibi farklı kategoriler, modelin eğitimi sırasında detaylı olarak incelenir. Bu kategorilerin her biri için, modelin doğruluğunu ve güvenilirliğini test etmek amacıyla özel eğitim veri setleri kullanılır. Özellikle, veri setlerinin ön işleme aşamasında, 'ImageDataGenerator' kullanılarak çeşitli görüntü artırma teknikleri uygulanmıştır. Bu teknikler, döndürme, kaydırma, ölçeklendirme ve diğer görüntü manipülasyonlarını içerir; bu sayede modelin aşırı uydurma (overfitting) riski azalır ve genel doğruluğu artar. Modelin eğitimi sırasında, KFold çapraz doğrulama yöntemi uygulanır. Bu yöntem, veri setinin farklı alt kümelerini kullanarak modelin birden çok kez eğitilmesini ve test edilmesini sağlar. Her bir katlama işlemi, modelin farklı veri alt kümelerindeki performansını değerlendirir, böylece verinin az olduğu durumlarda daha güvenilir sonuçlar elde edilir. Bu teknik, modelin performansını daha doğru bir şekilde ölçmemizi sağlar. Modelin eğitim süreci iki aşamadan oluşur: İlk aşamada, EfficientNetB7'nin katmanları dondurulur ve yalnızca üst katmanlar üzerinde eğitim yapılır. Bu yaklaşım, modelin öncelikle genel özellikleri öğrenmesine ve stabil bir temel oluşturmasına olanak tanır. İkinci aşamada ise, bazı alt katmanlar da eğitime dahil edilerek modelin ince ayarı (fine-tuning) yapılır. Bu ince ayar süreci, modelin daha spesifik ve karmaşık özellikleri tanımasına ve daha yüksek bir doğruluk elde etmesine yardımcı olur. Bu tez, makine öğrenmesi ve yapay zekanın tıbbi teşhis alanında nasıl önemli yenilikler getirebileceğini göstermektedir. Geleneksel yöntemlerin sınırlılıklarını aşan bu teknolojiler, erken teşhis ve hızlı tedaviye olanak tanıyarak, tıbbi araştırmalar ve uygulamalar için yeni ufuklar açmaktadır. Özellikle beyin tümörü teşhisinde, bu yenilikçi yaklaşımın potansiyeli, bu çalışma ile kapsamlı bir şekilde ele alınmaktadır.