Beyin görüntülerindeki gürültülerin derin öğrenme kullanılarak giderilmesi

Basit Öğe Kaydı
dc.contributor.advisorKarakış, Rukiye
dc.contributor.authorTopdağ, Tuğba
dc.date.accessioned2024-10-19T19:20:54Z
dc.date.available2024-10-19T19:20:54Z
dc.date.issued2023
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Bilgisayar Mühendisliği Bilim Dalıen_US
dc.description.abstractManyetik Rezonans Görüntüleme (MRG) beyin dokularının incelenmesinde, hastalık tanısının konulmasında ve tedavisinin yapılmasında yaygın olarak kullanılan tıbbi görüntüleme tekniğidir. MRG görüntülerinde cihazdan kaynaklanan, çekim ortamından, hasta hareketinden ya da manyetik ortamın etkisiyle çeşitli gürültüler oluşabilmektedir. Bu gürültüler, doğru tanı ve tedavinin ortaya konmasını ve görüntünün uzmanlarca düzgün yorumlanmasını etkilemektedir. Bu sebeple tezde, MRG görüntülerinde bulunan Rician gürültünün giderilmesi amaçlanmıştır. Tez çalışmasında, yoğun ve artık bağlantılar kullanılarak iyileştirilen UNet mimarisine benzeyen, M-UNet+ResNet ve M-UNet+DenseNet olarak isimlendirilen iki 3D otokodlayıcı model geliştirilmiştir. Önerilen modeller IXI veri setinde bulunan T1 ve T2 ağırlıklı 3D MRG görüntülerine eklenen farklı seviyelerdeki Rician gürültüsü için eğitilmiştir ve modellerin performansı test verileri için tepe sinyal-gürültü oranı (PSNR: Peak Signal-to-Noise Ratio), yapısal benzerlik (SSIM: Structural Similarity Index Measure) ve ortalama mutlak hata (MAE: Mean Absolute Error) metrikleri ile ölçülmüştür. %15 gürültü oranı için IXI-HH-T1 verisetinde M-UNet+ResNet modelinin hesapladığı PSNR, SSIM ve MAE ortalama değerleri sırasıyla 37,8426 desibel (dB), 0,9017 ve 0,0106'tür. M-UNet+DenseNet modeli bu değerleri 38,0546 dB, 0,9055 ve 0,0103 olarak hesaplamıştır. IXI-HH-T1 verisetinde, M-UNet+ResNet ve M-UNet+DenseNet modelleri PSNR, SSIM ve MAE ortalama değerlerini sırasıyla 41,7436 dB, 0,901 ve 0,0099 ve 40,6320 dB, 0,8785 ve 0,0118 olarak bulmuştur. Artık bağlantılarla zenginleştirilen M-UNet+ResNet modeli literatürle yarışır yüksek performans değerleri elde etmiştir. Elde edilen sonuçlar, gürültü giderilmesinde artık bağlantıların faydalı olduğunu göstermiştir.en_US
dc.description.abstractMagnetic Resonance Imaging (MRI) is a widely used medical imaging technique in examining brain tissues, diagnosis, and treatment of diseases. Various noises may occur in MRI images due to the device, the imaging environment, patient motion, or the effect of the magnetic field. These noises affect the accurate diagnosis and treatment and the proper image interpretation by experts. Therefore, this thesis aims to denoise Rician noise in MRI images. In this thesis, two 3D autoencoder models, named M-UNet+ResNet and M-UNet+DenseNet, which are similar to the UNet architecture improved by using dense and residual connections, are developed. The proposed models were trained for different levels of Rician noise added to the T1 and T2 weighted 3D MRI images in the IXI dataset. The performance of the models was evaluated by peak signal-to-noise ratio (PSNR), structural similarity (SSIM: Structural Similarity Index Measure), and mean absolute error (MAE: Mean Absolute Error) metrics for the test data. For a 15% noise level in the IXI-HH-T1 dataset, the M-UNet+ResNet model achieved average PSNR, SSIM, and MAE values of 37.8426 decibel (dB), 0.9017, and 0.0106, respectively, while the M-UNet+DenseNet model computed these values as 38.0546 dB, 0.9055, and 0.0103. In the IXI-HH-T1 dataset, the M-UNet+ResNet and M-UNet+DenseNet models obtained average PSNR, SSIM, and MAE values of 41.7436 dB, 0.901 and 0.0099 and 40.6320 dB, 0.8785 and 0.0118, respectively. The M-UNet+ResNet model enriched with residual links achieved high-performance values competing with the literature. These results indicate the importance of using residual connections in deep learning model for noise removal.en_US
dc.identifier.endpage57en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHJhH-MQhhvsUFKCTe0mBTBkd-L69STLmQmN8pGaGU_LK
dc.identifier.urihttps://hdl.handle.net/20.500.12418/15905
dc.identifier.yoktezid842911en_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 Controlen_US
dc.titleBeyin görüntülerindeki gürültülerin derin öğrenme kullanılarak giderilmesien_US
dc.title.alternativeNoise removal in brain images using deep learningen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu