Tez No	İndirme	Tez Künye	Durumu
672872		Makine öğrenme temelli glioma analizi ve derecelendirme sistemi / Machine learning based glioma analysis and grading system Yazar:HAKAN ÖZCAN Danışman: DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU ; PROF. DR. HAKAN SABUNCUOĞLU 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:Görüntü işleme-bilgisayarlı = Image processing-computer assisted ; Teşhis-bilgisayar-destekli = Diagnosis-computer-assisted	Onaylandı Doktora Türkçe 2021 123 s.
Gliomlar, merkezi sinir sisteminin en sık görülen kötü huylu tümörleridir. Gliomların saptanması ve sınıflandırılmasındaki doğruluk, etkili tedavilerin planlanmasında hayati role sahiptir. Dünya Sağlık Örgütü (DSÖ) standartlarına göre, gliomlar farklı evrelerde ele alınmakta ve yayılım/agresiflik düzeylerine göre "düşük dereceli" ve "yüksek dereceli" olarak sınıflandırılmaktadır. Gliom teşhisinin temel dayanağı genellikle manyetik rezonans görüntüleme (MRG) testleridir. Ancak, geniş bir görüntü kümesi dahilinde MRG verilerinin yorumlanması ve düşük dereceli gliomların (DDG) yüksek dereceli gliomlardan (YDG) ayırt edilebilmesi uzun sürebilen ve hataya açık bir süreçtir. Makine öğrenmesinin bir alt alanı olarak derin öğrenme, erken teşhisin potansiyel uygulamasıyla tıbbi görüntü analizinde büyük umut vadetmektedir. Bu çalışma kapsamında, derin öğrenme algoritmalarından yararlanarak DDG'ler ile YDG'ler arasında hızlı ve doğru ayrım yapmayı amaçlayan dört farklı model (Model 1-4) geliştirilmiştir. Model 1, sıfırdan eğitilmiş özel mimari yapıda bir evrişimsel sinir ağıdır (ESA); Model 2-4 ise sırasıyla AlexNet, GoogLeNet ve SqueezeNet'e dayalı bir transfer-öğrenme protokolü kullanılarak oluşturulmuştur. Tüm modellerin eğitimi için, 2016-2019 arşiv verileri üzerinden retrospektif çalışmayla elde edilen ve patoloji verileri ile kanıtlanmış klinik MRG verileri kullanılmıştır. Verilerin miktarı ve çeşitliliği çoklu-kırpma stratejisi ve stokastik artırma teknikleri ile genişletilmiştir. Her modelin tahminleme performansını ölçebilmek için beş-kat çapraz-doğrulama uygulanmıştır. Performans özelliklerinin değerlendirilmesinde ve karşılaştırılmasında duyarlılık, özgüllük, F1 skoru, doğruluk ve alıcı işletim karakteristik eğrisi altındaki alan (AUC) ölçütleri kullanılmıştır. Deneysel sonuçlara göre, tüm modeller için ortalama AUC değerleri %97'nin üzerinde elde edilmiştir. Model 1, performans ölçütleri açısından karşılaştırılabilir ölçüde iyi sonuçlar üretmiştir. GoogLeNet ise, transfer öğrenmede kullanılan diğer ön-eğitimli ağlara göre daha başarılı olmuştur. Model 1-4 için hesaplanan ortalama duyarlılık, özgüllük, F1 puanı, doğruluk ve AUC değerlerinin aralıkları sırasıyla 0.980-0.920, 0.963-0.870, 0.961-0.868, 0.970-0.893, 0.971-0.894 ve 0.989-0.970'tir. Öğrenilen özellikler ve aktivasyonlar, yanlış sınıflandırılmış lezyonlar ve morfolojik yapılar, güncellenmiş DSÖ standartlarına göre analiz edilmiş ve raporlanmıştır. Sonuçlar, derin ESA'ların ve transfer öğrenme yaklaşımlarının gliomların analizi ve derecelendirilmesinde başarılı bir şekilde kullanılabileceğini göstermiştir.
Gliomas are the most commonly observed type of malignant tumors in the central nervous system. Accuracy in detecting and classifying gliomas has a vital role for an effective treatment planning. According to the World Health Organization (WHO) standards, gliomas are considered at different stages and classified as "low grade" and "high grade" according to the level of tumor cell invasiveness and aggressiveness. The mainstay of glioma diagnosis usually involves magnetic resonance imaging (MRI) tests. However, the interpretation of MRI data and differentiating low grade gliomas (LGGs) from high grade gliomas (HGGs) on a large set of image sequences can be a time consuming and error prone process. Deep learning, as a sub field of machine learning, has shown great promise in medical image analysis with the potential application of early diagnosis. Within the scope of this study, four different models (Models 1-4) aiming to distinguish between DDGs and YDGs quickly and accurately have been developed by using deep learning algorithms. Model 1 is a custom convolutional neural network (CNN) trained from scratch; Models 2-4 are developed using a transfer-learning protocol, based on AlexNet, GoogLeNet and SqueezeNet. All the models were trained and tested on a new pathology-proved clinical MRI dataset retrospectively recruited from 2016 to 2019. A multiple-crop strategy and stochastic augmentation techniques were used to increase the quantity and diversity of training data. A five-fold cross-validation was performed to measure the predictive performance of each model. The performance characteristics were evaluated and compared by measuring sensitivity, specificity, F1 score, accuracy, and area under the receiver operating characteristic curve (AUC). According to experimental results, averaged AUC values for all the models yielded a value of over 97%. Model 1 showed comparable good results in terms of the performance metrics, and GoogLeNet had higher scores with respect to other pretrained networks used in the transfer learning. The ranges of averaged sensitivity, specificity, F1 score, accuracy, and AUC values calculated for Model 1-4 were 0.980-0.920, 0.963-0.870, 0.961-0.868, 0.970-0.893, 0.971-0.894 and 0.989-0.970, respectively. The learned features and activations, misclassified lesions and morphological patterns were analyzed and reported in accordance with the updated WHO standards. The results showed that the deep CNNs and transfer learning approaches can be successfully used for glioma analysis and grading purposes.