TIBBİ BEYİN MR GÖRÜNTÜLERİNDE KİTLE TESPİTİ İÇİN YENİ BİR EVRİŞİMSEL SİNİR AĞI MODELİNİN GELİŞTİRİLMESİ

Abstract

Sağlık alanında yapay zekâ tabanlı sistemlerin geliştirilmesi hastaların tanı ve tedavi süreçlerine katkı sağlamaktadır. Bu kapsamda tanı koyma, kitle gibi özel bölge tespitinin doğru bir şekilde gerçekleşmesi ve hastalığın türünün belirlenmesi ve erken tanı gibi süreçler hem oldukça kritik hem de uzmanlık gerektiren emek-yoğun süreçlerdir. İlaveten, erken tanının gerçekleştirilmesinde zaman önemli bir faktördür. Bir diğer önemli faktör ise doğruluk oranıdır. Literatürde bu tür çalışmalar için çeşitli derin öğrenme modelleri ve makine öğrenme yöntemleri kullanılmıştır. Bu tez çalışmasında, tıbbi Manyetik Rezonans (MR) görüntüleri kullanılarak kitle tespitini gerçekleştirebilen yeni bir Evrişimsel Sinir Ağı (ESA) modeli tasarlanmıştır. Deneysel analizler, beyin MR görüntülerinden oluşan veri kümeleri kullanılarak gerçekleştirilmiştir. Her bir veri kümesi üç farklı kategoriden oluşan beyin MR görüntüleri içermektedir. Geliştirilen ESA modelinde evrişimsel bloklar, yoğun ve artık bloklar, dikkat modülleri yer almaktadır. Bölütleme yöntemi ve hiper sütun tekniği gibi yaklaşımların kitlesel bölgenin doğru tespit edilmesi amacıyla kullanılmıştır. Ayrıca bu modelinin mimari yapısı kullanıcılar tarafından ayarlanabilen bir niteliğe sahiptir ve transfer öğrenme yaklaşımı kullanılmadan tasarlanmıştır. Bu tez kapsamında gerçekleştirilen deneysel analizlerin, aynı veri kümelerini kullanan diğer çalışmalardaki yaklaşımlara ve transfer öğrenme modellerine göre daha başarılı sonuçlar verdiği gözlemlenmiştir. Beyin MR görüntülerindeki kitle türü tespitinin gerçekleştirilmesinde ve sınıflandırılması sürecinde önerilen yaklaşımın katkı sağladığı görülmüştür.Development of artificial intelligence-based system in the field of health contributes to the diagnosis and treatment process of patients. In this context, processes such as diagnosis, accurate determination of specific regions such as mass, determination of the type of the disease and early diagnosis are both highly critical and labor-intensive processes that require expertise. In addition, time is an important factor in achieving early diagnosis. Another important factor is the accuracy rate. Various deep learning models and machine learning methods have been used for such studies in the literature. In this thesis, a new Convolutional Neural Network (CNN) model that can detect mass using medical Magnetic Resonance (MR) images is designed. Experimental analyzes were carried out using datasets consisting of brain MR images. Each dataset contains brain MR images consisting of three different categories. The developed ESA model includes convolutional blocks, dense and residual blocks, and attention modules. Approaches such as the segmentation method and the hyper column technique have been used to accurately determine the mass region. Also, the architectural structure of this model has an attribute that can be adjusted by users and it was designed without using a transfer learning approach. It has been observed that the experimental analyzes performed within the scope of this thesis give more successful results than the approaches and transfer learning models in other studies using the same datasets. It has been observed that the proposed approach contributed to the determination and classification of the type of mass in brain MR images.