Tez No	İndirme	Tez Künye	Durumu
670806		Non-small cell lung cancer tumor characterisation using deep learning / Derin öğrenme yaklaşımlarıyla küçük hücreli dışı akciğer kanserinde tümör karakterizasyonu Yazar:MUSTAFA BIÇAKCI Danışman: PROF. DR. BÜLENT YILMAZ Yer Bilgisi: Abdullah Gül Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2021 92 s.
Küçük Hücreli Dışı Akciğer Kanseri (KHDAK) akciğer kanserlerinin büyük çoğunluğunu oluşturur ve adenokarsinom (ADC) ve skuamöz hücreli karsinom (SqCC) olmak üzere iki önemli alt tipi vardır. Genel olarak, bu iki alt tip mikroskobik olarak belirlenen morfolojik kriterler dikkate alınarak birbirinden ayrılır. Ancak, kötü morfoloji bunu oldukça zorlaştırır. Alt tipe özel tedavi yöntemleri için bu tür çalışmalar önemlidir. Bu tezde, pozitron emisyon tomografi (PET) görüntüleri kullanılarak KHDAK'nin alt tiplerinin sınıflandırılması üzerinde derin öğrenme (DÖ) yöntemleri incelenmiştir. İlk çalışmada, DÖ yöntemlerinin temelini oluşturan yapay sinir ağları (YSA) kullanılarak %73 doğru sınıflandırma başarısı elde edilmiştir. İkinci çalışmada, PET görüntülerinden alınan bölütlenmiş tümör kesitleri kullanılarak birkaç DÖ modeli incelenmiştir. Sonuçta, %95 F skoru ile VGG16 ve VGG19 en başarılı modeller olmuştur. Bu çalışmanın sonunda kesit bazlı çalışmalar bırakılarak hasta bazlı çalışmalara geçilmiştir. Üçüncü çalışmada, hasta bazlı dilimlerin birleştirilmesiyle oluşturulan üç boyutlu (3B) verilerin kullanımı yeterli başarıyı sağlamamıştır. Dördüncü çalışmada, PET görüntülerinin doğrudan kullanıldığı, tümör kısımlarının kırpılarak kullanıldığı ve bölütlenmiş tümör parçalarının kullanıldığı üç farklı deney yapılmıştır. Bu çalışma, peritümoral alanların sınıflandırmada olumlu etkisini ortaya koymuş ve VGG19 %74 F skoru değerine ulaşmıştır. Beşinci çalışmada, transfer öğrenme ve hassas ayar çalışmaları başarısızdı. CNN ve ResNet tabanlı sığ ağları içeren son çalışma %71 F skoru ile umut verici olmuştur.
Non-small cell lung cancer (NSCLC) constitutes the vast majority of lung cancers and has two major subtypes, adenocarcinoma (ADC) and squamous cell carcinoma (SqCC). Generally, these two subtypes are distinguished from each other by considering microscopic morphological criteria. However, poor morphology makes this quite difficult. Such studies are important for subspecialty treatment methods. In this thesis, deep learning (DL) methods on the subtype classification of NSCLC were investigated. In the first study, 73% success rate was achieved by using artificial neural networks (ANN), which form the basis of DL methods. In the second study, several DL models were investigated on subtype classification using segmented tumor slices from PET images. As a result, VGG16 and VGG19 emerged as the most successful models with a 95% F-score. Later, slice based studies were abandoned and patient based studies were initiated. In the third study, the use of three-dimensional (3D) data created by combining slices from each patient was not successful. In the fourth study, three different experiments were conducted in which PET images were directly used, cropped to include peritumoral areas, and segmented only tumor parts. This study demonstrated the positive effect of peritumoral areas and VGG19 reached an F-score of 74%. In the fifth study, transfer learning and fine tuning works did not yield successful results. The latest study involving CNN-based and ResNet-based shallow networks was promising with an F-score of 71%.