Tez No	İndirme	Tez Künye	Durumu
692028		Fully automated deep learning and machine learning –based prognosis models for survival prediction of brain tumor patients using multi-modal mri images / Multimodal mrı görüntüleri kullanarak beyin tümörü hastalarının hayatta kalma tahmini için tam otomatik derin öğrenme ve makine öğrenme tabanlı prognoz modelleri Yazar:ABDELA AHMED MOSSA Danışman: PROF. DR. ULUS ÇEVİK Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2021 209 s.
Beyin tümörü, en ölümcül kanser hastalıkları türlerinden biridir. Bu hastalığa sahip hastalar için ameliyat öncesi prognozun doğru değerlendirilmesi, daha iyi hasta yönetimine yol açabilir. Biyopsi, prognoz tahminin rutin klinik uygulamalarında en sık kullanılan tanı tekniği olmasıyla birlikte, invazif ve doku travmasına yatkınlık gibi birçok dezavantaja sahiptir. Sonuç olarak, non invaziv olan MRI görüntülerine dayanan otomatik preoperatif prognoz tahmin teknikleri son zamanlarda dikkat çekmektedir. Bununla birlikte, son zamanlarda geliştirilen otomatik tekniklerin çoğu, sıkıcı ve zaman alıcı olan MRI'da manuel olarak segmentlere ayrılmış tümör bölgelerinden çıkarılan özel yapımı görüntü özelliklerine dayanmaktadır. Bu çalışma, beyin tümörlü hastaların multi-modal MR görüntülerinde sağkalım süresi ve glioma derecesi tahminleri için iki aşamalı öğrenme tabanlı yöntemler kullanarak tam otomatik preoperatif prognostik modeller geliştirmeyi amaçlamıştır. İlk aşamada, arka uç olarak önceden eğitilmiş derin öğrenme modellerini kullanarak yeni CNN mimarileri geliştirildi. İkinci aşamada, CNN modellerinin çıktıları, nihai tahmin sonuçlarını elde etmek için çeşitli klasik makine öğrenimi yöntemleri kullanılarak birleştirildi. Deneysel sonuçlar, önerilen prognostik modellerin glioma derecelendirme ve hayatta kalma süresi tahminlerinde sırasıyla % 99,7 ve% 93 AUC değerlerine ulaşıldığını gösterdi ve mevcut son-teknoloji sonuçlarından daha iyi bir performans gösterdi.
Brain tumor is one of the most deadly types of cancer diseases. Accurate assessment of pre-surgical prognosis for patients with this disease can lead to better patient management. While Biopsy is the most commonly used diagnostic technique in routine clinical applications of prognosis estimation, it has several disadvantages such as it is invasive, and prone to tissue trauma. Consequently, automated pre-operative prognosis estimation techniques based on MRI images are recently getting attention, so noninvasive. However, most of the recently developed automated techniques are based on the handcrafted image features extracted from the manually segmented tumor regions in MRI, which is tedious & time-consuming. This study aimed to develop fully automated pre-operative prognostic models for the survival time, and glioma grade predictions in multi-modal MRI images of patients with brain tumors by using two-stage learning-based methods. In the first stage, we developed novel CNN architectures using pre-trained deep learning models as backend. In the second stage, the outputs of CNN models were fused using various classical machine learning methods to get the final prediction results. The experimental results demonstrate that the proposed prognostic models achieve AUC values of 99.7%, and 93% in glioma grading, and survival time predictions, respectively, outperforming current state-of-the-art results.