Geri Dön

BT görüntüleri ile beyin inmelerinin otomatik tespiti için derin öğrenme tabanlı guı tasarımı ve uygulaması

Deep learning-based gui design and implementation for automatic detection of brain strokes using CT images

PDF İndir

  1. Tez No: 997083
  2. Yazar: MEHMET OKUYAR
  3. Danışmanlar: DOÇ. DR. SÜLEYMAN UZUN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin Öğrenme, İnme Segmentasyonu, YOLOv9, Bilgisayarlı Tomografi, Tıbbi Görüntü İşleme, Karar Destek Sistemi, Görüntü işleme-bilgisayarlı, Yapay zeka, İnsan-yapay zeka etkileşimi, Deep Learning, Stroke Segmentation, YOLOv9, Computed Tomography, Medical Image Processing, Decision Support System, Image processing-computer assisted, Artificial intelligence, Human-artificial intelligence interaction
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Beyin inmesi, dünya genelinde önde gelen ölüm ve kalıcı sakatlık nedenlerinden biri olup, hastalığın yönetiminde“zaman beyindir”ilkesi gereği erken ve doğru teşhis hayati önem taşımaktadır. Acil servislerde inme tanısında en yaygın kullanılan görüntüleme yöntemi Bilgisayarlı Tomografi (BT) olsa da, iskemik (hipodens) ve hemorajik (hiperdens) lezyonların, özellikle erken evrelerde ve düşük kontrastlı görüntülerde manuel olarak tespit edilmesi uzman radyologlar için dahi zaman alıcı ve zorlu bir süreçtir. Bu tez çalışmasının temel amacı, beyin BT görüntüleri üzerinden her iki inme türünün otomatik tespiti ve lezyon sınırlarının hassas segmentasyonu için, gerçek zamanlı nesne tespiti tabanlı YOLO (You Only Look Once) mimarilerinin etkinliğini araştırmaktır. Çalışma kapsamında en güncel tek aşamalı dedektörler olan YOLOv7-Seg, YOLOv8-Seg ve YOLOv9-Seg modelleri bu probleme uyarlanmış ve performansları, literatürde medikal segmentasyon için altın standart kabul edilen U-Net mimarisi ile karşılaştırmalı olarak analiz edilmiştir. Deneysel çalışmalar, T.C. Sağlık Bakanlığı veri tabanından elde edilen; 1301 iskemik, 1093 hemorajik ve 4557 sağlıklı kesit olmak üzere toplam 6951 adet orijinal beyin BT görüntüsü üzerinde, Nvidia Quadro A5500 donanım altyapısı kullanılarak gerçekleştirilmiştir. Modelin sadece beyin dokusuna odaklanmasını sağlamak amacıyla veri setine kemik çıkarımı (bone removal), gürültü filtreleme ve pencereleme gibi özgün ön işleme adımları uygulanmış; öğrenme kapasitesini artırmak için veri artırma (data augmentation) yöntemleri devreye alınmıştır. Elde edilen sonuçlar, özellikle Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) omurgasına sahip YOLOv9-Seg modelinin, derin ağlarda oluşan bilgi kaybı darboğazını aşarak rakiplerine göre üstün bir performans sergilediğini göstermiştir. YOLOv9-Seg modeli, zorlu birleşik veri setinde %99.71 mAP@0.5 tespit başarısına ulaşırken; segmentasyon sınırlarının doğruluğunu ölçen mAP@0.95 metriğinde %85.17 skoruna erişerek, referans U-Net modeline kıyasla lezyon sınırlarını belirlemede daha yüksek hassasiyet sunmuştur. Ayrıca tez kapsamında, geliştirilen modellerin klinik ortamda hekimler tarafından kod bilgisi gerektirmeden kullanılabilmesini sağlayan, Python ve Streamlit tabanlı etkileşimli bir Grafik Kullanıcı Arayüzü (GUI) tasarlanmıştır. Bu çalışma, yeni nesil gerçek zamanlı derin öğrenme modellerinin, inme teşhisinde acil servislerdeki iş yükünü hafifletebilecek, hızlı ve yüksek hassasiyetli bir klinik karar destek sistemi olarak kullanılabileceğini bilimsel verilerle ortaya koymaktadır.

Özet (Çeviri)

Brain stroke is one of the leading causes of death and permanent disability worldwide, and early and accurate diagnosis is of vital importance in its management due to the“time is brain”principle. Although Computed Tomography (CT) is the most widely used imaging modality for stroke diagnosis in emergency departments, the manual detection and segmentation of ischemic (hypodense) and hemorrhagic (hyperdense) lesions, particularly in early stages and low-contrast images, is a time-consuming and challenging process even for expert radiologists. The primary aim of this thesis is to investigate the effectiveness of real-time object detection-based YOLO (You Only Look Once) architectures for the automatic detection and precise segmentation of both stroke types on brain CT images. Within the scope of the study, the most current one-stage detectors YOLOv7-Seg, YOLOv8-Seg, and YOLOv9-Seg were adapted to this problem, and their performances were comparatively analyzed with the U-Net architecture, which is accepted as the gold standard for medical segmentation in the literature. Experimental studies were carried out on a total of 6,951 original brain CT images, consisting of 1,301 ischemic, 1,093 hemorrhagic, and 4,557 healthy slices obtained from the database of the Ministry of Health of the Republic of Türkiye, utilizing the Nvidia Quadro A5500 hardware infrastructure. To ensure the model focused solely on brain tissue, specific pre-processing steps such as bone removal, noise filtering, and windowing were applied, while data augmentation methods were employed to enhance learning capacity. The results demonstrated that the YOLOv9-Seg model, particularly featuring Programmable Gradient Information (PGI) and the Generalized Efficient Layer Aggregation Network (GELAN) backbone, exhibited superior performance compared to its competitors by overcoming the information bottleneck in deep networks. The YOLOv9-Seg model achieved a detection success rate of 99.71% mAP@0.5 on the challenging combined dataset and reached a score of 85.17% in the mAP@0.95 metric-which measures the accuracy of segmentation boundaries offering significantly higher precision in delineating lesion boundaries compared to the reference U-Net model. Furthermore, within the scope of the thesis, an interactive Graphical User Interface (GUI) based on Python and Streamlit was designed to ensure that the developed models could be easily utilized by physicians in a clinical setting without requiring coding knowledge. This study reveals with scientific data that new-generation real-time deep learning models can be employed as a Clinical Decision Support System that is not only rapid but also highly precise, potentially alleviating the workload in emergency departments.

Benzer Tezler

  1. Tez No

    471689

    Vertebrobaziler sistem iskemik inmelerinde karotis-vertebral sistem doppler ultrasonografi ile servikal bt anjiografi ve/veya servikal MR anjiografi sonuçlarının karşılaştırılması

    Comparing carotis – vertebral system doppler ultrasonography with computerized tomography angiography and / or magnetic resonance angiography results in vertebrobasilar system ischemic strokes

    GÖKTUĞ ALPER COŞKUN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    NörolojiSağlık Bilimleri Üniversitesi

    Nöroloji Ana Bilim Dalı

    UZMAN UZM.DR.ŞAHİNDE FAZİLET HIZ

  2. Tez No

    323552

    Türkiye'de MR ve BT görüntüleme işlemlerinin Sosyal Güvenlik Kurumuna ekonomik yükünün değerlendirilmesi

    The evaluation of economical loan of Magnetic Resonance Imaging (MRI) and Computerized Tomography Imaging (CTI) procedures to SSI generates

    BERRİN SARIOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Sağlık Kurumları YönetimiBaşkent Üniversitesi

    Sağlık Kurumları İşletmeciliği Ana Bilim Dalı

    PROF. DR. ŞAHİN KAVUNCUBAŞI

  3. Tez No

    509277

    Vertebral arterlerin anatomik varyasyonları (hipoplazi, tortiyozite) ile posterior sistem enfarktlarının sıklığı ve anatomik tutulumu üzerine olan etkisi

    The affects of anatomic variants of the vertebral artery (hypoplasia,tortiosity)incidence and anatomical distribation of posterior system infarcts

    FATME MEHMED KURT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    NörolojiSağlık Bilimleri Üniversitesi

    Nöroloji Ana Bilim Dalı

    DOÇ. DR. OĞUZHAN KURŞUN

  4. Tez No

    738839

    Endovasküler tedavi uygulanan akut iskemik inme hastalarında ''first pass effect'e (ilk denemede revaskülarizasyon) etki eden belirleyiciler

    Predictors of first pass effect in acute ischemic stroke patients

    GÖRKEM ATASOY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. ÜMİT BELET

    UZMAN AHMET ERGİN ÇAPAR

    DR. ÖĞR. ÜYESİ ORKUN SARIOĞLU

  5. Tez No

    775307

    Spontan intraserebral kanaması hastalarda hematom genişleme skorlamalarının etkinliklerinin karşılaştırılması

    Comparison of the efficiency of hematoma expansion scoring in patients with spontaneous intracerebral hemorrhage

    RECEP MURAT MERT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    NöroşirürjiDokuz Eylül Üniversitesi

    Acil Tıp Ana Bilim Dalı

    PROF. DR. FİGEN ÇOŞKUN

Geri Dön