Tez No	İndirme	Tez Künye	Durumu
674822		Derin öğrenme yöntemleri ile beyin MRI görüntülerinde anomali tespiti / Anomaly detection in brain MRI images with deep learning methods Yazar:EBRU AYDOĞAN DUMAN Danışman: PROF. DR. ŞEREF SAĞIROĞLU ; DR. ÖĞR. ÜYESİ EMRAH ÇELTİKÇİ Yer Bilgisi: Gazi 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 Türkçe 2021 140 s.
Beyin lezyonlarının hızlı ve doğru bir şekilde tespit edilmesi tedavi için önemli olup bu lezyonların otomatik olarak tespit edilmesi konusu, üzerinde çalışılan bir araştırma konusudur ve beyin MRI'larından anomali tespiti için bilgisayar destekli sistemler geliştirilmektedir. Mevcut çözümler ve teknolojik yöntemler, büyük ölçüde etiketlenmiş MRI verileri kullanılarak denetimli öğrenme modelleri tespit yöntemlerinin geliştirilmesine dayanmakta fakat düşük performans, veri setlerinin veya çeşitliliğinin azlığı, başarılı uygulamaların geliştirilmesini zorlaştırmaktadır. Bunları ortadan kaldırmak ve dolayısıyla klinik kullanımı kolaylaştırmak için denetimsiz yaklaşımlar geliştirmek, etiketli MRI verilerini elde etmenin zorluğunu kısmen ortadan kaldırmak veya kolaylaştırmak için denetimsiz öğrenme temelli yaklaşımlar geliştirmek önemli çalışma alanlarındandır. Derin öğrenme yöntemlerindeki gelişmeler, derin ağ̆ tabanlı danışmansız öğrenme yöntemleri ile yüksek boyutlu verilerin modellenmesi, güçlü̈ çözümleme ve yüksek başarım örnekleri ve uygulamalar, farklı alanlarda da alternatif çözümler geliştirilmesinin önünü açmıştır. Bu tez çalışmasında, lezyonları danışmansız öğrenme modelleri ile tespit etmek için, normal beyin MRI görüntüleri ile sağlıklı beyin görüntü şablonlarını öğrenen ve daha sonra da tümörlü beyin görüntülerini ayrıştıran Üretici Çekişmeli Ağ (GAN) temelli yeni tespit modelleri önerilmiştir. Önerilen GAN modeli, sağlıklı hasta MRI verileriyle eğitilmiş ve modele uymayan aykırı değerler sonucunda üretilen çıktılardan lezyon tespiti yapılmıştır. GAN modeli, sağlıklı MRI verileriyle eğitildiğinden, lezyonlu MRI görüntüleri için uygun gizli alan temsilinin bulunamayacağı varsayımına dayanmaktadır. Varsayıma göre, yeniden yapılandırılmış̧ MRI görüntülerinin, sağlıklı MRI görüntülerinden daha yüksek yeniden oluşturma hatası vermesi beklenmektedir. Tez kapsamında, üç farklı yeni çözüm önerisi sunulmuş, GAN ilk kez tümör tespitine uygulanmış ve GAN modelleri modifiye edilerek iyileştirmeler gerçekleştirilmiştir. İlk olarak, görüntü uzayından gizli uzaya geçişi mümkün kılan GAN temelli yeni bir ters haritalama modeli önerilmiştir. İkinci modelde, Koşullu GAN mimarisi kullanılarak ters haritalamanın başarısını arttırmak için MRI kesit bilgisi modele girdi olarak verilmiş ve başarılı sonuçlar elde edilmiştir. Son modelde ise, GAN modelinin kararlı eğitimini katkı sağlayan Wasserstein uzaklığı kullanılarak, model başarısı arttırılmıştır. Önerilen modeller, iyi bilinen iki veri seti ile analiz ve test edilmiştir. Elde edilen sonuçlar, önerilen modellerin sadece tümör tespiti değil başka alanlarda da başarıyla uygulanacağını göstermektedir.
Fast and accurate detection of brain lesions is important for treatment, and automatic detection of these lesions is a research topic, and computer-aided systems are being developed for anomaly detection from brain MRIs. Current solutions and technological methods rely heavily on the development of supervised learning models detection methods using labeled MRI data, low performance, lack of data sets or diversity make it difficult to develop successful applications. It is important to develop unsupervised approaches to eliminate these and therefore facilitate clinical use, and to develop unsupervised learning-based approaches to partially eliminate or facilitate the difficulty of obtaining labeled MRI data. Developments in deep learning methods, modeling of high-dimensional data with deep web-based unattended learning methods, strong analysis and high performance examples and applications have paved the way for developing alternative solutions in different fields. In this thesis study, in order to detect lesions with non-consultative learning models, new detection models based on Producer Controversial Network (GAN) that learn normal brain MRI images and healthy brain image patterns and then differentiate tumor brain images are proposed. The proposed GAN model was trained with the healthy patient MRI data, and lesion detection was made from the outputs produced as a result of outliers that did not fit the model. The GAN model is based on the assumption that suitable occult area representation cannot be found for lesioned MRI images, as it is trained with healthy MRI data. The hypothesis is that reconstructed MRI images are expected to give higher reconstruction error than healthy MRI images. Within the scope of the thesis, three different new solution proposals were presented, GAN was applied to tumor detection for the first time, and improvements were made by modifying GAN models. First, a new GAN-based inverse mapping model is proposed that enables the transition from image space to hidden space. In the second model, MRI section information was input to the model to increase the success of reverse mapping using the Conditional GAN architecture and successful results were obtained. In the last model, the success of the model is increased by using the Wasserstein distance, which contributes to the stable training of the GAN model. The proposed models have been analyzed and tested with two well-known data sets. The results obtained show that the proposed models will be successfully applied not only in tumor detection but also in other areas.