Tez No	İndirme	Tez Künye	Durumu
726382		MR taramaları üzerinde derin öğrenme modelleri kullanılarak multipl skleroz lezyonlarının otomatik tespiti ve değişiminin takibi / Follow-up and automatic detection of multiple sclerosis lesions using deep learning models on MR scans Yazar:MEHMET SÜLEYMAN YILDIRIM Danışman: DOÇ. DR. EMRE DANDIL Yer Bilgisi: Bilecik Şeyh Edebali 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 ; Mühendislik Bilimleri = Engineering Sciences Dizin:Derin öğrenme = Deep learning ; Evrişimli sinir ağları = Convolutional neural networks ; Görüntü işleme yöntemleri = Image processing methods ; Karar destek sistemleri = Decision support systems ; Multipl skleroz = Multiple sclerosis ; Sayısal görüntü işleme = Digital image processing ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2022 212 s.
Multipl Skleroz (MS) hastalığı genç ve orta yaşlı insanlarda sıkça görülen beyin ve omuriliği etkileyen, yaygın bir merkezi sinir sistemi (MSS) rahatsızlığıdır. MSS içinde bulunan sinir ağları üzerindeki kılıf yapısında oluşan iltihap sonucunda meydana gelen hastalık kişide önemli bilişsel kayıplara neden olur. MS hastalarında fonksiyonel yeti kayıpları ve ileri safhalarda geri dönülemez beyin hasarları da görülebilir. Bu nedenlerden dolayı MS hastalığının erken aşamada tespiti ve takibi oldukça önemlidir. MS'in teşhisinde ve takibinde manyetik rezonans (MR) görüntüleme yaygın olarak olup teşhis için genellikle en az iki farklı periyottaki taramalarda MS lezyonlarının görülmesi beklenmektedir. Hastalığın takibi MR kesitlerindeki lezyonların değişimlerinin izlenmesi ile yapılmaktadır. MS lezyonlarının boyutlarının küçük olması ve beyindeki başka nörolojik rahatsızlıklara benzemesi, MS lezyonlarının tespitini zorlaştırmaktadır. Bu tez çalışmasında, MR görüntüleri üzerinde MS lezyonlarının otomatik tespiti için iyileştirilmiş bir derin öğrenme modeli (iMask R-CNN) önerilmiştir. Bu modelde Maske-Tabanlı Bölgesel Evrişimsel Sinir Ağı (Mask R-CNN) mimarisinin tahmini önemli bölge hizalama (RoIAlign) işleminde iyileştirme yapılmıştır. Ayrıca, MS lezyonlarının tespiti için 52 hastadan periyodik olarak alınan FLAIR MR kesitlerini içeren MSAkdeniz isimli bir MR veriseti hazırlanmıştır. Tez kapsamında, ek olarak, MS lezyonlarının otomatik tespiti ve değişimin takibi için, hekimlere yardımcı olabilecek, iMask R-CNN modelini kullanan DeepMSWeb isimli web tabanlı bir karar destek sistemi (KDS) uygulaması geliştirilmiştir. Bunun yanında, MS lezyonlarının otomatik tespiti için, önerilen iMask R-CNN modeli başta olmak üzere, MSAkdeniz veriseti ve eHealth, UMCL, ISBI2015 ve MICCAI2008 verisetleri üzerinde, iki faklı platformda beş farklı derin öğrenme modeli kullanılarak deneysel çalışmalar yürütülmüştür ve sonuçlar karşılaştırılmıştır. Önerilen iMask R-CNN kullanılarak, lezyon tespitinde, verisetlerinde Dice benzerlik katsayısı (DSC) için %88.32±4.44 skorları, lezyon doğru pozitif oranı (LTPR) için %89.80±3.54 skorları elde edilmiştir. Önerilen iMask R-CNN ve DeepMSWeb yapıları ile MS lezyonlarının tespiti ve değişiminin takibinde kullanılabilecek yardımcı araçlar geliştirilmiştir.
Multiple Sclerosis (MS) is a common central nervous system (CNS) disorder that affects the brain and spinal cord, which is common in young and middle-aged people. The disease that occurs as a result of inflammation in the sheath structure on the neural networks in the CNS causes significant cognitive losses in the person. Loss of functional ability and irreversible brain damage can be seen in advanced stages in MS patients. For these reasons, early detection and follow-up of MS disease is very important. Magnetic resonance (MR) imaging is common in the diagnosis and follow-up of MS, and MS lesions are generally expected to be seen on scans of at least two different periods. The follow-up of the disease is determined by following the changes of the lesions in the MR sections. MS lesions are small in size and resemble other neurological disorders in the brain, making it difficult to detect MS lesions. In this thesis, an improved deep learning model (iMask R-CNN) is proposed for automatic detection of MS lesions on MR images. In this model, the prediction important region alignment (RoIAlign) process of Mask-Based Regional Convolutional Neural Network (Mask R-CNN) architecture is improved. In addition, an MR dataset named MSAkdeniz has been prepared, which includes FLAIR MR sections periodically obtained from 52 patients for the detection of MS lesions. Moreover, a web-based decision support system (DSS) application named DeepMSWeb, which uses the iMask R-CNN model, has been developed to help physicians for automatic detection of MS lesions and monitoring of change. For the automatic detection of MS lesions, experimental studies are carried out on MSAkdeniz dataset and eHealth, UMCL, ISBI2015 and MICCAI2008 datasets on two different platforms, using five different deep learning models, primarily the proposed iMask R-CNN model, and the results are compared. Using the proposed iMask R-CNN, scores of 88.32±4.44% for Dice similarity coefficient (DSC) and 89.80±3.54% for lesion true positive rate (LTPR) are obtained in lesion detection datasets. With the proposed iMask R-CNN and DeepMSWeb, assistant tools that can be used in the detection and monitoring of MS lesions have been developed.