Yolov8 ve sam derin öğrenme modellerinin beyin tümörü tespiti ve segmentasyonu için mr görüntülerinde değerlendirilmesi ve entegrasyonu
Evaluation and integration of yolov8 and sam deep learning models for brain tumor detection and segmentation in mr imaging
- Tez No: 971864
- Danışmanlar: PROF. DR. SAVAŞ İZZETOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Biyoloji, Biology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoloji Ana Bilim Dalı
- Bilim Dalı: Moleküler Biyoloji Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern tıp pratiğinde, manyetik rezonans (MR) gibi medikal görüntüleme teknikleri, hastalıkların teşhisi için kritik bir rol oynamaktadır. Bu süreçlerdeki temel adımlardan biri olan görüntü segmentasyonu, anatomik yapıların hassas bir şekilde ayırt edilmesini sağlar. Ancak bu işlemin radyologlar tarafından manuel olarak yapılması, zaman alıcı, yoğun emek gerektiren ve farklı uzmanlar arasında tutarlılık sorunları barındıran bir süreçtir. Yapay zekanın bir dalı olan derin öğrenme, medikal görüntü analizi alanında bu zorluklara güçlü bir çözüm sunmaktadır. Derin öğrenme tabanlı otomatik segmentasyon modelleri, insan gözünün fark edemeyeceği karmaşık örüntüleri öğrenebilir ve segmentasyon işlemini saniyeler içinde, yüksek doğruluk ve tekrarlanabilirlik ile gerçekleştirebilir. Bu nedenlerle, bu tez çalışmasında derin öğrenme yaklaşımıyla beyin tümörü (menenjiyom, gliom ve hipofiz) MR görüntülerinin otomatik segmentasyonu için güncel modellerin eğitilmesi, test edilmesi ve karşılaştırılması amaçlanmıştır. Çalışmada, 233 hastaya ait 3064 adet T1 ağırlıklı kontrastlı MR görüntüsü içeren, halka açık bir veri seti kullanılmıştır. YOLOv8-Segmentasyon modeli, bu veri seti üzerinde eğitilmiştir. Model hattı için ise önce bir YOLOv8 tespit modeli, tümörlerin etrafında sınırlayıcı kutular üretmek üzere eğitilmiştir. Bu kutular daha sonra YOLOv8-SAM ve YOLOv8-MedSAM model hatlarında sırasıyla birer girdi istemi olarak kullanılmıştır. Tüm modellerin nihai performansı, eğitimde hiç karşılaşmadıkları test veri seti üzerinde ve eşit donanım koşulları altında ölçülmüştür. Elde edilen bulgulara göre, göreve özel olarak eğitilmiş YOLOv8-Segmentasyon modeli, hem en yüksek segmentasyon doğruluğunu (genel DSC: 0.789) hem de en hızlı çıkarım süresini (17.72 ms) sunarak en üstün ve dengeli performansı göstermiştir. Model hatları arasında, daha büyük bir mimariye sahip genel amaçlı SAM kullanan YOLOv8-SAM hattı (DSC: 0.776), medikal alana özelleşmiş ancak daha küçük mimarili MedSAM'den (DSC: 0.528) belirgin şekilde daha iyi performans sergilemiştir. Bu sonuç, temel model tabanlı yaklaşımlarda modelin ham kapasitesinin, alan özelleşmesinden daha baskın bir faktör olabileceğini göstermiştir. Ayrıca, tüm modellerin, sınırları en belirsiz olan“gliom”sınıfında en düşük performansı sergilediği gözlemlenmiştir. Farklı derin öğrenme stratejilerinin karşılaştırıldığı bu çalışmanın, ileride benzer konular üzerinde yapılacak araştırmalara yol göstermesi hedeflenmektedir. Elde edilen bulgular, iyi tanımlanmış medikal segmentasyon görevleri için tam denetimli ve göreve özel eğitilmiş modellerin, şu anki teknolojiyle hala en güvenilir ve pratik çözüm olduğunu göstermiştir. Bununla birlikte, tespit ile istemli segmentasyon gibi modüler yaklaşımların sunduğu esneklik, bu alanda gelecekteki çalışmalar için önemli bir potansiyel taşımaktadır.
Özet (Çeviri)
In modern medical practice, imaging techniques such as magnetic resonance imaging (MRI) play a critical role in disease diagnosis. One of the fundamental steps in these processes is image segmentation, which allows for the precise delineation of anatomical structures. However, performing this task manually by radiologists is time-consuming, labor-intensive, and prone to inconsistencies between different experts. Deep learning, a branch of artificial intelligence, offers a powerful solution to these challenges in the field of medical image analysis. Deep learning-based automatic segmentation models can learn complex patterns that are imperceptible to the human eye and perform segmentation within seconds, with high accuracy and repeatability. For these reasons, this thesis aims to train, test, and compare state-of-the-art models for the automatic segmentation of brain tumors (meningioma, glioma, and pituitary) in MRI images using a deep learning approach. In this study, a publicly available dataset containing 3,064 contrast-enhanced T1-weighted MR images from 233 patients was utilized. The YOLOv8-Segmentation model was trained on this dataset. For the model pipeline, a YOLOv8 detection model was first trained to generate bounding boxes around tumors. These boxes were then used as prompt inputs in the YOLOv8-SAM and YOLOv8-MedSAM pipelines, respectively. The final performance of all models was evaluated on a test dataset that had not been seen during training, under identical hardware conditions. According to the findings, the task-specific YOLOv8-Segmentation model demonstrated the best and most balanced performance by achieving both the highest segmentation accuracy (overall DSC: 0.789) and the fastest inference time (17.72 ms). Among the model pipelines, the YOLOv8-SAM pipeline, which used the general-purpose SAM with a larger architecture, performed significantly better (DSC: 0.776) than the MedSAM, which, although specialized for the medical domain, had a smaller architecture (DSC: 0.528). This result suggests that in foundation model-based approaches, the raw capacity of the model may be a more dominant factor than domain specialization. Additionally, it was observed that all models exhibited the lowest performance in the“glioma”class, which has the most ambiguous boundaries. This study, in which different deep learning strategies are compared, aims to guide future research on similar topics. The findings indicate that for well-defined medical segmentation tasks, fully supervised and task-specific trained models still represent the most reliable and practical solution with current technology. Nevertheless, the flexibility offered by modular approaches such as detection followed by prompt-based segmentation holds significant potential for future studies in this field.
Benzer Tezler
- Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi
Development of a new preprocessing method for deep learning based object detection in high resolution images
MUHAMMED TELÇEKEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
PROF. DR. SEZGİN KAÇAR
- Göğüs radyografilerinde anomali tespiti için YOLOv8 ve YOLO11 algoritmalarının performans karşılaştırması: Farklı optimizasyon yöntemlerinin etkileri
Performance comparison of YOLOv8 and YOLO11 algorithms for anomaly detection in chest radiographs: The effects of different optimization methods
HACER SİNEM AYAŞ
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim Sistemleriİstanbul Rumeli Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASİN UCAKAN
DR. MİRSAT YEŞİLTEPE
- Sürü robotik sistemlerinde bütünleşik güvenlik çerçevesi: Eliptik Eğri Kriptografisi ve steganografi ile güvenli iletişim, YOLOv8 tabanlı artırımlı öğrenme ve açıklanabilir tehdit tespiti
Integrated security framework in swarm robotic systems: Secure communication with Elliptic Curve Cryptography and steganography, YOLOv8-based incremental learning and explainable threat detection
ZEYNEL KUTLU
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU
- A comparative study of YOLOv8 and faster R-CNN in fruit leaf disease detection for precision
Meyve yaprağı hastalığının tespıtı ıçın YOLOv8 ve faster R-CNN metotlarının kullanımı
ARELDI BALA
Yüksek Lisans
İngilizce
2024
ZiraatAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CAFER ÇALIŞKAN
- Detection and classification of femoral neck fracture using YOLOv8
YOLOv8 kullanarak femoral boyun kırığının tespiti ve sınıflandırılması
MOUSAB ABIBI ABDI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RAFET AKDENİZ