Beyin tümörlerinin derin öğrenme ile manyetik rezonans görüntülerinden sınıflandırılması

Basit Öğe Kaydı
dc.contributor.advisorPolat, Özlem
dc.contributor.authorGüngen, Cahfer
dc.date.accessioned2024-10-19T19:27:11Z
dc.date.available2024-10-19T19:27:11Z
dc.date.issued2020
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Optik Mühendisliği Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, Optik Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractBu çalışmada uzmanlara tanı ve tedavide yardımcı olmak amacıyla T1 ağırlıklı beyin Manyetik Rezonans (MR) görüntülerindeki farklı tipteki tümörlerin sınıflandırılması amaçlanmıştır. En yaygın beyin tümörlerinden olan gliyom, menenjiyom ve hipofiz bezesi tümörleri dört katmanlı evrişimsel sinir ağı ve derin transfer öğrenme yöntemlerinden olan VGG16, VGG19, Resnet50 ve Densenet121 ağları kullanılarak sınıflandırılmıştır. Veri kümesi olarak 3064 T1 ağırlıklı MR görüntüsü içeren erişime açık Figshare veri kümesi kullanılmıştır. Görüntü kümesi %70 eğitim ve %30 test olacak şekilde ayrılmıştır. Sınıflandırma yapılırken Adadelta, RMSprop, SGD, Adam gibi dört farklı optimizasyon algoritmasının başarıma etkisi de test edilmiştir. Çalışmada yöntemin kodlanması ve test edilmesi amacıyla Python dili ile Keras ve Tensorflow kütüphaneleri kullanılmıştır. Sınıflandırma performansı ve test sonuçları AUC (Area Under Curve), duyarlılık, özgüllük ve doğruluk metrikleri kullanılarak sunulmuştur.en_US
dc.description.abstractIn this study, it was aimed to classify different types of tumors in T1-weighted brain Magnetic Resonance (MR) images in order to assist the experts in diagnosis and treatment. The most common brain tumors, glioma, meningioma and pituitary gland tumors, were classified using four-layer convolutional neural network and VGG16, VGG19, Resnet50 and Densenet121 networks, which are deep transfer learning methods. Figshare dataset, which contains 3064 T1-weighted MR images, was used as the data set. The image set is divided into 70% training and 30% test. While doing the classification, the effects of four different optimization algorithms such as Adadelta, RMSprop, SGD (Stochastic Gradient Descent), Adam on success were also tested. In the study, Python programming language withKeras and Tensorflow libraries were used to code and test the method. Classification performance and test results are presented using AUC (Area Under Curve), sensitivity, specificity and accuracy metrics.en_US
dc.identifier.endpage56en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=_F5QEpayDXGqGZlp9XiFtMYnsNM-Xei4yFmIsSjTrmwNWnoRxQnYMAhoqCUJuSJs
dc.identifier.urihttps://hdl.handle.net/20.500.12418/17600
dc.identifier.yoktezid636979en_US
dc.language.isotren_US
dc.publisherSivas Cumhuriyet Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzYK_20241019en_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Control ; Bilim ve Teknolojien_US
dc.titleBeyin tümörlerinin derin öğrenme ile manyetik rezonans görüntülerinden sınıflandırılmasıen_US
dc.title.alternativeClassification of brain tumors from magnetic resonance images with deep learningen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu