Beyin MR görüntülerinin iğnecikli sinir ağları tekniği ile analizi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi-Cerrahpaşa, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: Salim Kılıç
Asıl Danışman (Eş Danışmanlı Tezler İçin): Erkan Atmaca
Eş Danışman: Ertuğrul Adıgüzel
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Beyin tümörleri, beyinde düzensiz büyüyen ve müdahale edilmediği takdirde beyinde ciddi hasara ve hayati tehlikelere yol açabilen patolojik kitlelerdir. Beyin tümörlerinin erken teşhisi, tedavi sürecinde başarıyı artıran kritik bir unsurdur. Bu bağlamda, biyomedikal görüntüleme teknolojilerinde derin öğrenme tabanlı modeller, hastalıkların tanı ve tedavisinde giderek daha fazla kullanılmaktadır. Bu çalışmada, biyolojik sinir ağlarından ilham alınarak geliştirilen Spiking Neural Networks (SNN) ve nesne tespiti için kullanılan YOLOv7 algoritması birleştirilerek, beyin MRI görüntülerinde tümör tespiti ve etiketlemesi için enerji verimli ve yüksek doğruluklu bir sistem geliştirilmiştir. Araştırmada, Br35H: Brain Tumor Detection 2021 veri seti kullanılarak toplamda 3000 MRI görüntüsü analiz edilmiştir. Veri setindeki tümörlü bölgeler, uzman radyologlar tarafından etiketlenmiş ve görüntüler modele girdi olarak uygulanmadan önce ölçeklendirme gibi ön işleme tekniklerinden geçirilmiştir. SNN modeli Nengo framework'ü kullanılarak eğitilmiş ve ürettiği çıktılar, nesne tespiti için YOLOv7 algoritmasına girdi olarak verilmiştir. Önerilen sistemin performansı doğruluk (Accuracy), kesinlik (Precision), duyarlılık (Recall), F1 skoru ve ortalama doğruluk (mAP) gibi metriklerle değerlendirilmiştir. Test sonuçları, SNN'nin %97 doğruluk oranına sahip olduğunu ve YOLOv7'nin sırasıyla %86 Precision, %96 Recall, %76 F1 skoru ve %81 mAP değerlerine ulaştığını göstermektedir. Bu bulgular, önerilen sistemin gerçek zamanlı nesne etiketleme yapısı sayesinde beyin MRI görüntülerinde tümör tespiti için klinik olarak uygulanabilir bir çözüm sunduğunu ortaya koymaktadır. Çalışma, derin öğrenme tabanlı modellerin biyomedikal görüntüleme teknolojileriyle entegrasyonunun tıbbi teşhis ve tedavi süreçlerinde yenilikçi bir yöntem olarak değerlendirilebileceğini göstermektedir.