Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: Ebru AYDOĞAN DUMAN
Danışman: ŞEREF SAĞIROĞLU
Özet:Beyin lezyonlarının hızlı ve doğru bir şekilde tespit edilmesi tedavi için önemli olup bu lezyonların otomatik olarak tespit edilmesi konusu, üzerinde çalışılan bir araştırma konusudur ve beyin MRI’larından anomali tespiti için bilgisayar destekli sistemler geliştirilmektedir. Mevcut çözümler ve teknolojik yöntemler, büyük ölçüde etiketlenmiş MRI verileri kullanılarak denetimli öğrenme modelleri tespit yöntemlerinin geliştirilmesine dayanmakta fakat düşük performans, veri setlerinin veya çeşitliliğinin azlığı, başarılı uygulamaların geliştirilmesini zorlaştırmaktadır. Bunları ortadan kaldırmak ve dolayısıyla klinik kullanımı kolaylaştırmak için denetimsiz yaklaşımlar geliştirmek, etiketli MRI verilerini elde etmenin zorluğunu kısmen ortadan kaldırmak veya kolaylaştırmak için denetimsiz öğrenme temelli yaklaşımlar geliştirmek önemli çalışma alanlarındandır. Derin öğrenme yöntemlerindeki gelişmeler, derin ağ̆ tabanlı danışmansız öğrenme yöntemleri ile yüksek boyutlu verilerin modellenmesi, güçlü̈ çözümleme ve yüksek başarım örnekleri ve uygulamalar, farklı alanlarda da alternatif çözümler geliştirilmesinin önünü açmıştır. Bu tez çalışmasında, lezyonları danışmansız öğrenme modelleri ile tespit etmek için, normal beyin MRI görüntüleri ile sağlıklı beyin görüntü şablonlarını öğrenen ve daha sonra da tümörlü beyin görüntülerini ayrıştıran Üretici Çekişmeli Ağ (GAN) temelli yeni tespit modelleri önerilmiştir. Önerilen GAN modeli, sağlıklı hasta MRI verileriyle eğitilmiş ve modele uymayan aykırı değerler sonucunda üretilen çıktılardan lezyon tespiti yapılmıştır. GAN modeli, sağlıklı MRI verileriyle eğitildiğinden, lezyonlu MRI görüntüleri için uygun gizli alan temsilinin bulunamayacağı varsayımına dayanmaktadır. Varsayıma göre, yeniden yapılandırılmış̧ MRI görüntülerinin, sağlıklı MRI görüntülerinden daha yüksek yeniden oluşturma hatası vermesi beklenmektedir. Tez kapsamında, üç farklı yeni çözüm önerisi sunulmuş, GAN ilk kez tümör tespitine uygulanmış ve GAN modelleri modifiye edilerek iyileştirmeler gerçekleştirilmiştir. İlk olarak, görüntü uzayından gizli uzaya geçişi mümkün kılan GAN temelli yeni bir ters haritalama modeli önerilmiştir. İkinci modelde, Koşullu GAN mimarisi kullanılarak ters haritalamanın başarısını arttırmak için MRI kesit bilgisi modele girdi olarak verilmiş ve başarılı sonuçlar elde edilmiştir. Son modelde ise, GAN modelinin kararlı eğitimini katkı sağlayan Wasserstein uzaklığı kullanılarak, model başarısı arttırılmıştır. Önerilen modeller, iyi bilinen iki veri seti ile analiz ve test edilmiştir. Elde edilen sonuçlar, önerilen modellerin sadece tümör tespiti değil başka alanlarda da başarıyla uygulanacağını göstermektedir