Beyin tümörlerinin derin öğrenme yaklaşımlarıyla tespiti


Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: Türkçe

Öğrenci: MEHMET ALİ ATICI

Danışman: Şeref Sağıroğlu

Özet:

Glioblastoma MultiForme (GBM) yüksek seviyeli beyin tümörleri arasında olup erken tespit edilmesi hayati öneme sahiptir. Literatürde beyin tümörlerinin derin öğrenme ile yüksek performansla tespitine yönelik çalışmalar mevcuttur ancak beyin tümörlerinin ve özellikle GBM tümörünün hızlı, etkin, daha kolay, daha düşük riskle, daha düşük maliyetle ve otomatik tespitine yönelik bütüncül çözümler bulunmamaktadır. Bu tez çalışmasında meyil artırımlı makineler, evrişimli sinir ağları ve kapsül ağları gibi güncel teknolojiler kullanılarak beyin cerrahlarının erken teşhisine olanak sağlayacak yapay zekâ çözümleri geliştirilmiştir. Bu kapsamda hem literatürde sıklıkla kullanılan bir kıyaslama veri seti hem de Gazi Brains Dataset 2020 veri setinin de temellerini oluşturan yerel bir veri seti kullanılmıştır. Yerel veri seti üzerinde yapılan deneysel çalışmalarda Xception modeliyle %98’e varan sınıflandırma oranı ile %94’e varan GBM tümörü hassasiyet oranı elde edilirken, kıyaslama veri seti üzerinde farklı tümör tiplerinin sınıflandırılması için yapılan çalışmalarda ise %91,4 ile %98,7 arasında değişen genel sınıflandırma oranları elde edilmiştir. Ayrıca, problem uzayına önerilen çözümlerimiz kapsamında literatürde –bildiğimiz kadarıyla- ilk defa bir MR görüntüsünün normal vakaya veya GBM vakasına ait olup olmadığının otomatik tespiti de gerçekleştirilerek %94’e varan GBM vakası hassasiyet oranları elde edilmiştir. Tez kapsamında mevcut modellerin probleme uyarlanarak uygulanmasının yanı sıra yeni modeller de geliştirilmiştir. Bu kapsamda Xception modelinde tam bağlantılı katman yerine Kapsül ağları dinamik yönlendirme katmanı kullanılarak XCaps olarak adlandırdığımız yeni bir model önerilmiş, bu sayede yaklaşık 23 milyon olan eğitilebilir parametre sayısı yaklaşık 21 milyona indirilerek sınıflandırma kesinliği %96,3’den %96,7’e yükseltilmiştir. Bununla birlikte Kapsül Ağları dinamik yönlendirme katmanının ağırlık güncelleme işlemi önerdiğimiz değişiklikle optimize edilebilir hale getirilmiş ve ESA-Kapsül modelinde uygulanarak sınıflandırma kesinliği %90,07’den %91,42’ye yükseltilmiştir.

Anahtar Kelimeler

Beyin tümör tespiti, MR görüntüleme, makine öğrenmesi, derin öğrenme, evrişimli sinir ağları, kapsül ağları