Bilgisayarlı Tomografi Görüntülerinde İnmenin Farklı Derin Öğrenme Modelleri ile Sınıflandırılması
| dc.authorid | 0000-0001-5116-3457 | en_US |
| dc.contributor.advisor | Öziç, Muhammet Üsame | |
| dc.contributor.author | Altıntaş, Mustafa | |
| dc.date.accessioned | 2022-01-18T09:39:57Z | |
| dc.date.available | 2022-01-18T09:39:57Z | |
| dc.date.issued | 2021 | en_US |
| dc.department | NEÜ, Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği Anabilim Dalı | en_US |
| dc.description | Yüksek Lisans Tezi | en_US |
| dc.description.abstract | İnme hastalığı beyin damarlarında tıkanma ve kan akışının azalması durumunda meydana gelen nörolojik bir vakadır. Damarların beslemiş olduğu beyin hücreleri yetersiz oksijen ve besinden dolayı hızlı bir şekilde ölmeye başlar. İnmenin meydana geldiği bu bölgelerin yönettiği fonksiyonlarda kalıcı veya geçici hasarlar meydana gelmektedir. Bundan dolayı inme başladığı anda hızlı ve erken müdahale beyin hasarının en az kayıpla atlatılabilmesi için çok önemlidir. Geç müdahale durumunda hastanın ömür boyu maruz kalacağı sakatlıklar oluşabilir. Klinikte en çok görülen inme çeşitleri iskemik ve hemorajik inmedir. İnme çeşitleri bir medikal görüntüleme tekniği olan bilgisayarlı tomografi ile tanı almaktadır. Bu tez çalışmasında, uluslararası veri tabanlarından alınan iskemik inme, hemorajik inme ve normal bilgisayarlı tomografi görüntüleri kullanarak hastalığı sınıflandıran derin öğrenme modellerinin performansları araştırılmıştır. AlexNet, ResNet, GoogleNet, InceptionV3, ShuffleNet, SqueezeNet derin öğrenme modelleri transfer öğrenme yöntemi kullanılarak bilgisayarlı tomografi görüntüleri ile eğitilmiş ve performans kriterleri hesaplanmıştır. Veriler %80 eğitim %20 test olarak ayrılmış, eğitim ve test işlemlerinde beş kat çapraz geçerleme kullanılmıştır. Üç sınıflı çıkış için en yüksek sonuçlar AlexNet ile 0.9086±0.02 hassasiyet, 0.9097±0.02 duyarlılık, 0.9091±0.02 F1 Puanı, 0.9089±0.02 doğruluk, 21 dakika 37 saniyelik işlem süresi olarak bulunmuştur. | en_US |
| dc.description.abstract | Stroke is a neurological case that occurs when cerebral vessels become blocked and blood flow is reduced. Brain cells fed by the vessels begin to die rapidly due to insufficient oxygen and nutrients. Permanent or temporary damage occurs in the functions managed by these regions where the stroke occurs. Therefore, prompt and early intervention at the onset of stroke is very important in order to overcome the brain damage with minimum loss. In case of late intervention, disability to which the patient will be exposed for life may occur. The most common types of stroke in the clinic are ischemic and hemorrhagic stroke. Stroke types are diagnosed by computerized tomography, a medical imaging technique. In this thesis, the performance of deep learning models that classify the disease using ischemic stroke, hemorrhagic stroke and normal computed tomography images taken from international databases were investigated. Alexnet, ResNet, GoogleNet, InceptionV3, ShuffleNet, SqueezeNet deep learning models were trained with computerized tomography images using transfer learning method and performance criteria were calculated. The data were separated as 80% training and 20% testing, and five-fold cross-validation was used in training and testing processes. The highest results for the three-class output were found with AlexNet as 0.9086±0.02 precision, 0.9097±0.02 sensitivity, 0.9091±0.02 F1 Score, 0.9089±0.02 accuracy, 21 minutes 37 seconds processing time. | en_US |
| dc.identifier.citation | Altıntaş, M. (2021). Bilgisayarlı tomografi görüntülerinde inmenin farklı derin öğrenme modelleri ile sınıflandırılması. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Biyomedikal Mühendisliği Anabilim Dalı, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12452/8043 | |
| dc.language.iso | tr | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Derin öğrenme | en_US |
| dc.subject | Hemorajik inme | en_US |
| dc.subject | İskemik inme | en_US |
| dc.subject | Sınıflandırma | en_US |
| dc.subject | Stroke | en_US |
| dc.subject | Transfer öğrenme | en_US |
| dc.subject | Classification | en_US |
| dc.subject | Deep learning | en_US |
| dc.subject | Hemorrhagic stroke | en_US |
| dc.subject | Ischemic stroke | en_US |
| dc.subject | Stroke | en_US |
| dc.subject | Transfer learning | en_US |
| dc.title | Bilgisayarlı Tomografi Görüntülerinde İnmenin Farklı Derin Öğrenme Modelleri ile Sınıflandırılması | en_US |
| dc.title.alternative | Classification of Stroke with Different Deep Learning Models in Computerized Tomography Images | en_US |
| dc.type | Master Thesis | en_US |
