Tez No	İndirme	Tez Künye	Durumu
679984		Beyin kitlelerine yönelik erken tanı ve sınıflandırma sistemi / Early diagnosis and classification system for brain masses Yazar:ALİ BERKAN URAL Danışman: PROF. DR. FIRAT HARDALAÇ ; PROF. DR. PINAR ÖZIŞIK Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı / Biyomedikal Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Doktora Türkçe 2021 111 s.
Bu çalışma 2 ana bölümden oluşmaktadır. İlk bölüm, spesifik lokalizasyon ve parametrelere sahip beyin kitlelerinin (Glioblastom, Gliom, Menenjiom) arayüz destekli bir sistem ile otomatik olarak, erken tespit edilmesine ve yorumlanmasına yönelik hekimlere yardımcı bir karar destek sistemi şeklinde biyomedikal bilgisayar tabanlı bir ön tanılama sistemidir. İlk kısım da kendi içerisinde 2 alt kısma ayrılmakta olup, ilki; kitle tespiti ertesinde yapılan yorumlama, tahmin etme sürecinin klasik Yapay Zeka yöntemleri ve son yıllarda oldukça trend olan gelişmiş Derin Öğrenme yöntemleri ile gerçekleştirilmesidir. İkincisi; Derin Öğrenme modellerinden olan Konvolüsyonel Sinir Ağı (KSA), AlexNet ve ResNet-50 modelleri ile KSA modelinin Genetik Algoritma ile optimize edilerek, elde edilen en son versiyon algoritma ile sınıflandırma tahmini işleminin gerçekleştirilmesidir. İkinci bölüm ise, beyin kitleleri grubuna dahil olan inmenin (beyin krizi: iskemik ve hemorajik inme) erken tespiti, skorlanması ve durumunun yorumlanmasına yönelik bir biyomedikal tanı ve skorlama sistemidir. Manyetik Rezonans Görüntüleme (MRG) ve Bilgisayarlı Tomografi (BT) radyolojik görüntülerinden görüntü işleme sonrası özellik çıkarımı işlemi ertesi klasik yapay zeka yöntemlerinden olan Karar Destek Makinesı, k-En Yakın Komşu, Adaboost yöntemleri ile hastalara ait kitle görüntülerine yönelik durum ön tanı tahmini ve yorumlanması adımları gerçekleştirilmektedir. Derin Öğrenme modellerinden olan KSA, AlexNet ve ResNet-50 modelleri ile de özellik çıkarımına ihtiyaç duyulmadan daha gelişmiş ve trend olan yöntemlerle sınıflandırma işlemi gerçekleştirilmektedir. Çalışmanın ikinci bölümü, beyin kitle sınıfında yer alan inmenin bir önceki bölümdeki temel görüntü işleme ve örüntü tanıma yöntemleri kullanılarak inmenin erken tespiti, yorumlanması ve ek olarak, bilgisayar tabanlı otomatik bir inme skorlama ve yorumlama sistemi gerçekleştirilmiştir. Deneysel safhada, Glioblastom, Gliom ve Menenjiom beyin kitlelerinin her biri için 300'er, inme tanı ve skorlaması için ise 200 hasta görüntüsü kullanılmıştır. ROC analizi ve doğruluk/performans testi ertesi elde edilen sonuçlar, ilk kısımdan klasik yöntemler ile sınıflama sürecinden %82, AlexNet ve ResNet-50 gelişmiş modelleri ile sınıflama süreçlerinden sırası ile %87, %95 şeklindedir.
This study consists of 2 main sections. The first part is a biomedical computer-based pre-diagnosis system as a decision support system that helps physicians to automatically detect and interpret brain masses with specific localization and parameters (Glioblastoma, Gliom, Meningioma) with an interface-supported system. The first part is divided into 2 sub-parts within itself. It is the realization of the interpretation and estimation process made after mass detection with classical Artificial Intelligence methods and advanced Deep Learning methods, which have been very trendy in recent years. Secondly, with using Convolutional Neural Network (CNN), AlexNet and ResNet-50 models and the classification estimation process is performed with the latest version algorithm. The second part is a biomedical diagnosis and scoring system for early detection, scoring and interpretation of the condition of stroke which is included in the group of brain masses. From Magnetic Resonance (MRI) and Computed Tomography (CT) radiological images, after image processing, for the next step, following the feature extraction process, one of the classical Artifical Intelligence methods, Support Vector Machine, k-Neareast Neighbor and Adaboost methods, the pre-diagnosis prediction and interpretation steps of the patients' mass iamges are performed. Classification processes are performed with more advanced and trending methods without the need for feature extraciton with CNN, AlexNet and ResNet-50 models, which are among the Deep Learning models. The second part is the early detection and interpretation of stroke using the image processing and pattern recognition methods and a computer-based automated stroke scoring method. In the experimental stage, 300 patient images were used for each of Glioblastoma, Glioma and Meningioma brain masses, and 200 patient images were used for stroke diagnosis and scoring parts. The results obtained after ROC analysis and accuracy / performance test are 82% from the first part of the classification process with classical methods, 87% from the classification processes with AlexNet and %95 from ResNet-50 advanced models, respectively.