Tez No	İndirme	Tez Künye	Durumu
798126		Derin öğrenme temelli karar destek sistemleriyle lomber spinal dar kanal analizi / Lumbar spinal stenosis analysis with deep learning based decision support systems Yazar:SİNAN ALTUN Danışman: PROF. DR. AHMET ALKAN Yer Bilgisi: Kahramanmaraş Sütçü İmam Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı / Elektrik Elektronik 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 ; Nöroşirürji = Neurosurgery Dizin:Görüntü bölütleme = Image segmentation ; Görüntü sınıflandırma = Image classification ; Lomber vertebra = Lumbar vertebrae ; Sayısal görüntü işleme = Digital image processing	Onaylandı Doktora Türkçe 2023 116 s.
Lomber Spinal Stenoz (LSS), kronik bel ağrısının yanı sıra ayak ağrısı, ayakta uyuşmalar, halsizlik, uzun süre hareket edememe gibi birçok rahatsızlığa neden olmaktadır. Makine öğrenmesi temelli bilgisayar destekli tanı sistemleri çok sayıda görüntü üzerinde eğitilerek objektif bir bakış açısı sunmaktadır. Kronik bel ağrısı insanın yaşam kalitesini düşürdüğü gibi, kişinin çalışma hayatına katılamaması ve tedavi masrafları nedeniyle ülke ekonomilerinde önemli bir gider kalemi oluşturabilmektedir. Diğer hastalıklarda olduğu gibi LSS`nin hızlı teşhisi ve tedaviye erken başlanması kişinin yaşam kalitesini önemli ölçüde etkilemektedir. Bu hastalığın teşhisi bel fıtığı ile karıştırılmasından kaynaklı zordur ve ciddi bir uzmanlık gerektirmektedir. Kanal darlığı genellikle bel kısmında yer alan 3 adet omur, disk ve kanalda meydana gelmektedir. Görüntü işleme teknikleri Manyetik Rezonans (MR), Bilgisayarlı Tomografi (BT) gibi biyomedikal görüntülerde uygulanmakta ve yüksek sınıflandırma başarısı elde etmektedir. Bu tezde teşhisi zor olan omurga kanal darlığının otomatik sınıflandırılmasına yönelik bir derin öğrenme modeli önerilmektedir. Önerilen modelin başarısını ortaya koymak için geleneksel makine öğrenmesi tekniklerinin yanı sıra farklı derin öğrenme yöntemleri de çalışılmıştır. Önerilen LSS-VGG16 modeli, omurga kanal darlığı teşhisi için bilgisayar destekli tanı sisteminin oluşturulabileceğini ortaya koyarak literatüre katkı sağlamaktadır. Derin öğrenme yöntemleri, MR gibi biyomedikal görüntülerin işlenmesinde oldukça başarılı olmaktadırlar. Bu çalışmada da LSS teşhisi için T2 sekans Lomber MR görüntülerinde 3 boyutlu otomatik bölütleme yapan bir model önerilmiştir. Yapılan bu 3 boyutlu LSS bölütleme çalışması bizim bilgilerimize göre alanında ilk olma özelliğine sahip olup, bu alanda çalışacaklara önemli bir kaynak olacaktır. MR görüntülerinde LSS için önemli olan omurga diski, kanal, omurilik, kemik ve arka plan sınıfları oluşturularak bölütleme yapılmıştır. Elde edilen 3 boyutlu otomatik bölütleme sonuçları, LSS teşhisinde Bilgisayar Destekli Tanı (BDT) sistemlerinin oluşturulabileceğini göstermektedir. Anahtar Kelimeler: Lomber spinal stenoz, Derin öğrenme, U-Net, Semantik bölütleme, 3 boyutlu otomatik bölütleme
In addition to chronic low back pain, Lumbar Spinal Stenosis (LSS) causes many discomforts such as foot pain, numbness in the feet, weakness, and inability to move for a long time. Machine learning-based computer aided diagnosis systems are trained on a large number of images and offer an objective perspective. Chronic low back pain not only reduces the quality of life of people, but also can be an important expense item in the country's economy due to the inability of the person to participate in working life and treatment costs. As with other diseases, rapid diagnosis and early treatment of LSS significantly affect the quality of life of the person. Diagnosis of this disease is difficult because it is confused with herniated disc and requires serious expertise. Canal stenosis usually occurs in the 3 vertebrae, disc and canal in the lumbar region. Image processing techniques are applied in biomedical images such as Magnetic Resonance (MR), Computed Tomography (CT) and achieve high classification success. In this thesis, a deep learning model for automatic classification of spinal canal stenosis, which is difficult to diagnose, is proposed. In order to demonstrate the success of the proposed model, different deep learning methods have been studied as well as traditional machine learning techniques. The proposed LSS-VGG16 model contributes to the literature by demonstrating that a computer aided diagnosis system can be created for the diagnosis of spinal canal stenosis. Deep learning methods are very successful in processing biomedical images such as MR. In this study, a model that performs 3-dimensional automatic segmentation on T2 sequence Lumbar MR images is proposed for the diagnosis of LSS. This 3D LSS segmentation study, according to our knowledge, has the feature of being the first in its field and will be an important resource for those who will work in this field. Segmentation was done by creating spinal disc, canal, spinal cord, bone and background classes which are important for LSS in MR images. The obtained 3D automatic segmentation results show that Computer Aided Diagnosis (CAD) systems can be created in LSS diagnosis. Keywords: Lumbar spinal stenosis, Deep learning, U-Net, Semantic segmentation, 3D segmentation