An automated convolutional neural network model for the detection of brain tumours using MRI images
Başlık çevirisi mevcut değil.
- Tez No: 796767
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde beyin kanseri en acil halk sağlığı endişelerinden biridir. Bir beyin tümörü beyinde kanserli veya kanserli olmayan hasar veren hücrelerin anormal büyümesidir. Beyin tümörler dünya çapında birçok kişi için önde gelen ölüm nedenidir ve oldukça tehlikeli. Beyin tümörlerinin muayenesi genellikle manyetik cihazların kullanımını içerir. tıbbi bir görüntüleme tekniği olarak rezonans görüntüleme. Beyin ameliyatından sonra biyopsi Çıkarılan beyin tümörünün türünü belirlemek ve kategorize etmek için yapılır. Olmadan müdahaleci prosedürlere başvuran radyologlar yakında kanserleri teşhis edebilir teknolojik gelişmelerin yardımıyla, makine öğrenimi yöntemleri ve derin öğrenme En sık kullanılan tıbbi görüntüleme teknolojilerinden biri manyetiktir. insan vücudunun iç yapısının ayrıntılı bir görünümünü sağlayan rezonans görüntüleme (MRI) işler. Buna karşılık, manuel MRI analizi, profesyonellerin değerli zamanını boşa harcar. Bu olabilir Otomatik bir segmentasyon yapılırsa zamanı azaltın ve insan hatası tehlikesini ortadan kaldırın. beyin MRG stratejisi geliştirildi ve uygulandı. Uzun bir süre bilimsel Evrişimli sinir ağları (CNN'ler), sinapslar (aralarındaki bağlantılar). Araştırmamızın bir parçası olarak, CNN'lere bakıyoruz. beyin tümörlerini sınıflandırmak için nasıl kullanılabileceğini daha iyi anlayın. Sonraki biz adlı yepyeni bir alana bakarak CNN'lerin olası uygulamalarını araştırın. radyonikler. Tahmin etmek için beyin tümörlerinin şekli, dokusu ve sinyal yoğunluğu gibi hayatta kalma ve tedavi yanıtı dahil olmak üzere klinik sonuçlar. Biz bu araştırmada transfer öğrenmeye dayalı ve ayrımcı öğrenme hızına dayalı bir sınıflandırma önerdi Beyin tümörleri için teknik. Kullanılan veri seti 3000 farklı MRI görüntü örneği içerir Br35H görüntüleri olarak bilinir. Eğitim, doğrulama ve test setleri için başarıyla 95.66 algılama doğruluğu, duyarlılık, özgüllük, kesinlik ve FI puanları elde etti sırasıyla %, %96, %95,33, %95,36 ve %95,68.
Özet (Çeviri)
Today, brain cancer is one of the most pressing public health concerns. A brain tumor is an abnormal growth of cancerous or non-cancerous damaging cells in the brain. Brain tumors are a leading cause of death for many individuals worldwide and are quite dangerous. The examination of brain tumors often involves the use of magnetic resonance imaging as a medical imaging technique. Following brain surgery, a biopsy is performed to identify and categorize the kind of brain tumor removed. Without resorting to intrusive procedures, radiologists may soon be able to diagnose cancers with the assistance of technological advancements, machine learning methods, and deep learning. One of the most often utilized medical imaging technologies is magnetic resonance imaging (MRI), which provides a detailed view of the human body's internal workings. In contrast, manual MRI analysis wastes the valuable time of professionals. This might reduce time and remove the danger of human error if an automated segmentation strategy for brain MRI is developed and implemented. For a long time, the scientific community has been intrigued by methods like convolutional neural networks (CNNs), which are machine learning pipelines based on the biological process of neurons and synapses (connections between them). As part of our research, we look at CNNs to better understand how they might be used to categorize brain tumors. Next, we investigate the possible applications of CNNs by looking at a brand-new area called radionics. Such as the shape, texture and signal intensity of brain tumors to predict clinical outcomes, including survival and treatment response. In this research, we proposed a transfer learning-based and discriminative learning rate-based classification technique for brain tumors. The dataset used contains 3000 distinct MRI image samples known as Br35H images. For the training, validation, and test sets, we successfully obtained detection accuracy, sensitivity, specificity, precision, and FI scores of 95.66 %, 96 %, 95.33 %, 95.36 %, and 95.68%, respectively.
Benzer Tezler
- Oküler hastalıkların sınıflandırılmasında derin konvolüsyonel sinir ağı modeli
A deep convolutional neural network model for classification of ocular diseases
BÜŞRA EMİR
Doktora
Türkçe
2021
BiyoistatistikEskişehir Osmangazi ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERTUĞRUL ÇOLAK
- Homojen olmayan bir yüzey altında gömülü nesneler için evrişimsel sinir ağı tabanlı hedef tespiti
Convolutional neural network based target detection for objects buried under a non-homogeneous surface
ALİ BATUHAN BAĞCACIER
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ALİ YAPAR
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti
Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19
MERVE BEGÜM TERZİ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Automated liver tumor segmentation and classification using AI and fully convolutional neural network (CNN)
Başlık çevirisi yok
IDREES AHMED DHAHIR DHAHIR
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DOÇ. DR. YASA EKŞİOĞLU ÖZOK
DOÇ. DR. ADİL DENİZ DURU