Tez No	İndirme	Tez Künye	Durumu
702997		Görüntü işleme teknikleriyle beyin tümörlerinin tespiti ve sınıflandırma algoritmalarıyla analizi / Detection of brain tumors with image processing techniques and analysis with classification algorithms Yazar:GÖKALP ÇINARER Danışman: DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU Yer Bilgisi: Kırıkkale Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2021 192 s.
Beyin tümörlerinin tespitinde ve sınıflandırılmasında yapay zeka uygulamaları günümüzde oldukça önemli yere sahiptir. Beyin tümörleri, hücrelerin normal hücreleri kontrol eden mekanizmaları tarafından ortadan kaldırılamayan, kontrolsüz bir şekilde büyüyen ve çoğalan anormal doku kütlesidir. Hastaların cerrahi rezeksiyon veya biyopsi sonucunda elde edilen tümörlü görüntülerinin patolojik ortamda incelemesi, tümörün derecelendirilmesi ve immünohistokimyasal türlerinin belirlenmesinde en önemli belirteçtir. Ancak bu yöntemin invaziz olması; zaman kaybına, örnekleme hatalarına ve farklı histolojik yorumlamalara sebep olmaktadır. Bu durumda Manyetik Rezonans Görüntülüme (MRG) kullanılarak tümörün radyomik özelliklerinin ve genomik yapısının tespiti oldukça önemli hale gelmiştir. Bu değerlendirmelere dayanarak beyin tümörlerini sınıflandırmada yaşanan sorunları ortadan kaldırmak için, beyin tümörlerinin 3 boyutlu manyetik rezonans görüntüleri çıkarılarak elde edilen doku ve dalgacık radyomik özelliklerinin sınıflandırma algoritmalarıyla çok parametreli analizi gerçekleştirilmiştir. Düşük dereceli glioma (LGG) beyin tümörlerinin derecelerini ve 1p/19q birlikte silme durumlarını görüntü işleme teknikleriyle ve yapay zeka algoritmalarıyla doğru bir şekilde sınıflandırmayı amaçlayan modeller geliştirilmiştir. 3D dalgacık dönüşümü filtre gruplarıyla oluşturulan derin sinir ağları modeliyle LGG beyin tümörlerinin dereceleri en yüksek % 96,15 doğrulukla tahmin edilmiştir. Tümör sınıflandırmada yeni bir bakış açısı sunan 1p/19q moleküler birlikte silme durumunu tahmin etmek için LGG'lerin Manyetik Rezonans görüntülerinin doku analizi ve sınıflandırılmasına yönelik makine öğrenme algoritmalarıyla uygulanan modelle de en yüksek %93,94 doğruluk elde edilmiştir. Tez kapsamında noninvaziv olarak farklı genotiplere ve derecelere sahip tümörlerin makine öğrenme algoritmalarıyla sınıflandırılması gerçekleştirilmiştir. LGG'lerin hem morfolojik temelli hem de moleküler özelliklerine göre sınıflandırılması beyin tümörü tedavisinde daha doğru teşhis konulmasına katkı sunacaktır.
Artificial intelligence applications play a quite significant role today in the detection and classification of brain tumors. Brain tumors are abnormal tissue mass that grows and reproduces in an uncontrollable way, and cannot be removed by cell's mechanism that control normal cells. Patients' surgical resection or the investigation of tumor images obtained at the conclusion of biopsy in an pathological environment is the most important indicator for the classification of tumor as well as identification of immunihistochemijcal types. However, the invasive nature of this method pose waste of time, sampling errors, and inappropriate histological interpretations. To this end, the detection of tumor's radiomics features and genomic structures using magnetic resonance imaging (MRI) have become quite substantial. To obviate the issues in brain tumor classification in the light of evaluations given above, multi-parameter analysis is realized with texture and wavelet radionics features' classification algorithms obtained using brain tumor's three-dimensional magnetic resonance images. Models have been developed to accurately classify the grades and 1p / 19q co-deletion situations of low-grade glioma (LGG) brain tumors using image processing techniques and artificial intelligence algorithms. The grades of LGG brain tumors were predicted with the best accuracy of 96.15% with the deep neural network model created with 3D wavelet transform filter groups. 1p/19q molecular co-removal situation offering a new perspective for tumor classifications of Magnetic Resonance images of LGGs, reaches to 93.94% accuracy in texture analysis and classification using machine learning algorithms. In the scope of this thesis, the classification of tumors that have different genotypes and ratings in terms of non-invasion is realized using machine learning algorithms. The classification of LGG's in terms of both morphological and molecular features contributes to treatment and detection of brain tumors.