Fen Bilimleri Enstitüsü / Science Institute

Permanent URI for this collectionhttps://hdl.handle.net/11727/1392

Browse

Author: search.filters.author.Oltu, BurcuStart date: 2020

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Derin öğrenme yöntemleri ile akciğer grafilerinde patoloji sınıflandırılması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Oltu, Burcu
    Akciğerler, solunum sisteminin temel organları olup yapısal bozukluklar, enfeksiyonlar veya çevresel etkenler nedeniyle işlev kaybına uğrayabilmektedir. COVID-19, tüberküloz, pnömoni, pulmoner fibröz, atelektazi, kardiyomegali ve pnömotoraks gibi akciğer hastalıkları erken evrede teşhis edilmediğinde ölümcül sonuçlara yol açabilmektedir. Bu nedenle akciğer hastalıklarının erken ve doğru şekilde teşhis edilmesi büyük önem taşımaktadır. Akciğer grafileri, düşük maliyet ve hızlı uygulanabilirlik gibi avantajlarıyla bu amaçla yaygın olarak kullanılmaktadır. Ancak örtüşen anatomik yapılar, sınırlı uzman sayısı ve yüksek görüntü hacmi gibi etkenler, bu görüntülerin yorumlanmasını zorlaştırmakta, günlük yaklaşık %3-5 oranında hata yapılmasına yol açmaktadır. Bu doğrultuda akciğer grafilerinin yorumlanabilmesi için radyologlara yardımcı olacak otomatik ve güvenilir teşhis sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında akciğer grafilerinin yüksek performansla sınıflandırılması amacıyla uçtan uca bir derin öğrenme modeli geliştirilmiş ve bu modelin başarısını artıracak özgün kayıp fonksiyonlarını önerilmiştir. Modelin omurgası olarak önceden eğitilmiş DenseNet201 mimarisi kullanılmıştır. DenseNet201’den çıkarılan öznitelik haritalarından daha zengin uzamsal bilgiler elde etmek amacıyla evrişimsel uzun kısa süreli bellek (Convolutional Long Short-Term Memory (ConvLSTM)) katmanı, kanal bazında özniteliklerin vurgulanması için sıkma-bırakma bloğu (Squeeze and Excitation (SE)) ve uzun menzilli bağımlılıkları yakalayan görü dönüştürücüler (Vision Transformer (ViT)) modele entegre edilmiştir. Ayrıca, küresel ortalama havuzlama (Global Average Pooling (GAP)) katmanı ile sınıflandırma için önemli uzamsal bilgilerin korunması sağlanmıştır. Bu bileşenlerin kombinasyonu ile önerilen model, yüksek sınıflandırma performansı sunmuştur. Çalışmada ayrıca, sınıflandırma başarısında önemli etkisi olan kayıp fonksiyonları derinlemesine incelenmiştir. Standart fonksiyonlara ek olarak hibrit ve dinamik yapılarda fonksiyonlar tasarlanmış, sınıflandırma eğilimlerine karşı ceza terimi içeren özgün bir fonksiyon önerilmiştir. Önerilen kayıp fonksiyonlarının avantajlarını bir araya getirerek sınıflandırma performansını artıracak farklı topluluk yaklaşımları uygulanmıştır. Bu fonksiyonların performansları sistematik olarak analiz edilmiş ve farklı modellerle de test edilerek modelden bağımsız başarı sağladığı gösterilmiştir. Başkent Üniversitesi Ankara Hastanesi Radyoloji Bölümü'nden elde edilen klinik veriler ile açık erişimli veri kümeleri birleştirilerek 7, 8, 9, 10, 12, 14 ve 15 sınıflı alt veri kümeleri oluşturulmuş ve her bir alt kümede önerilen model ve kayıp fonksiyonları detaylı şekilde test edilmiştir. Böylece hem veri kümesinden hem de sınıf sayısından bağımsız olarak modelin ve kayıp fonksiyonunun başarısı ortaya konmuştur. Elde edilen deneysel sonuçlar, önerilen yöntemin literatürdeki yaklaşımların çoğunu geride bıraktığını ve doğruluk, F1-skoru, AUC gibi performans metriklerinde yüksek başarı sergilediğini ortaya koymaktadır. Ayrıca modelin farklı senaryolarda tutarlı ve yüksek performans sergilemesi, güçlü bir genelleme yeteneğine sahip olduğunu kanıtlamaktadır. Sonuç olarak, bu tez kapsamında, akciğer grafilerinin otomatik olarak sınıflandırılmasını sağlayan yüksek performanslı ve tekrarlanabilir sonuçlar üreten yenilikçi bir model ve özgün kayıp fonksiyonları geliştirilmiştir. The lungs are the primary organs of the respiratory system and can lose functionality due to structural disorders, infections, or environmental factors. Lung diseases such as COVID-19, tuberculosis, pneumonia, pulmonary fibrosis, atelectasis, cardiomegaly, and pneumothorax may lead to fatal outcomes if not diagnosed at an early stage. Therefore, early and accurate diagnosis of lung diseases is crucial. Chest radiographs (CXRs) are widely used for this purpose due to their advantages, such as low cost, quick applicability, and low radiation dose. However, factors like overlapping anatomical structures, limited specialists, and high image volume make interpreting CXRs challenging, resulting in a daily error rate of 3–5%. Thus, the demand for automated and reliable diagnostic systems to assist radiologists in interpreting CXRs is increasing. In this thesis, an end-to-end deep learning model was developed for high-performance classification of CXRs, and novel loss functions were proposed to enhance the model’s performance. The pre-trained DenseNet201 architecture was used as the backbone. A Convolutional Long Short-Term Memory (ConvLSTM) layer to obtain richer spatial and temporal information from the feature maps obtained from DenseNet201, a Squeeze and Excitation (SE) block to emphasize channel-wise features, and Vision Transformers (ViT) to capture long-range dependencies were integrated into the model. In addition, a Global Average Pooling (GAP) layer was used to preserve important spatial information for classification. The combination of these components enabled high classification performance. The study also examined the often-overlooked role of loss functions in classification performance. Beyond standard functions, hybrid and dynamic structures were designed. A custom function with a penalty term was proposed to improve sensitivity to misclassification. Ensemble approaches combining the strengths of proposed loss functions were implemented. These loss functions were systematically analyzed and tested with various models, demonstrating architecture-independent success. To evaluate the performance and generalization ability of the proposed model and loss functions, a comprehensive dataset was created by combining clinical images from Başkent University Ankara Hospital with open-access datasets. This dataset was divided into subsets containing 7, 8, 9, 10, 12, 14, and 15 classes, and extensive testing was conducted on each subset. Results showed that the proposed method outperforms many existing approaches in the literature, achieving superior accuracy, F1-score, and AUC. The model’s consistent performance in various scenarios demonstrated strong generalization. In conclusion, this thesis presents a novel deep learning model and original loss functions that produce high-performance and reproducible results for the automatic classification of CXRs
  • No Thumbnail Available
    Item
    Sağlıklı, hafif bilişsel bozukluk ve alzheimer hastalığı elektroensefalografi sinyallerinin sınıflandırılması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Oltu, Burcu; Akşahin, Mehmet Feyzi
    Demans terimi, beyin hücrelerinin ölümü veya hasar görmesi nedeniyle bilişsel ve davranışsal fonksiyonların bozulması ile karakterize edilen nörodejeneretif bozukluğu tanımlar. Demansın en yaygın görülen türü olan Alzheimer Hastalığı (AH) bilişsel, entelektüel eksiklikler ve davranış bozuklukları ile karakterize edilen progresif bir hastalıktır. Hafif bilişsel bozukluk (HBB) ise yaşları için beklenenin ötesinde bilişsel bozukluk gösteren; fakat AH tanı ölçütlerini karşılayacak kadar kuvvetli semptomlar göstermeyen bireyleri tanımlar. Her yıl yaklaşık %10-15 oranında HBB hastası, AH’ye ilerlemektedir. Bu hastalıkların teşhisi; bilişsel testlerin, fiziksel ve nörolojik muayenelerin, nörogörüntüleme yöntemlerinin, kan ve beyin omurilik sıvısı incelemelerinin sonuçlarının yorumlanmasıyla yapılır. Dolayısıyla tanı süreci zaman alan, hedef hasta popülasyonu için zorlukları olan ve subjektif sonuçlar verebilen bir süreçtir. Bunun yanında demansın erken teşhisi hastalara ve yakınlarına bu süreci planlamaları için zaman tanımaktadır. Aynı zamanda bu hastalıkların tedavisi olmasa da erken evrede başlanan tedavi süreçleri, hastalığın ilerlemesini yavaşlatabilir ve semptomların hafiflemesini sağlayabilir. Bu tez çalışmasında da AH ve HBB’nin tanısını sağlamak için, invaziv olmayan, ucuz, objektif sonuçlar verebilen bir yöntem olan elektroensefalografi (EEG) sinyallerinin kullanılabilirliği araştırılmıştır. Yapılan araştırmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’ndeki uzman doktorlar tarafından yapılan teşhis doğrultusunda gerçek hastalardan toplanan EEG sinyalleri incelenmiştir. Çalışmada EEG sinyalleri, ayrık dalgacık dönüşümü (ADD), güç spektral yoğunluğu (GSY), koherans, sürekli dalgacık dönüşümü (SDD) yöntemleri kullanılarak incelenmiştir. Yapılan incelemeler sonucunda farklı yöntemler için farklı öznitelik çıkarımları yapılmıştır. Ayrık dalgacık yöntemi ile yapılan analizlerde sinyaller 6 alt banda (delta (0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gama (32-48 Hz)) ayrıştırılmış. Elde edilen 6 bandın ortalama, maksimum-minimum değerleri, varyansı ve standart sapması öznitelik seti olarak belirlenmiştir. Ayrıca elde edilen alt bantların GSY’sinin genlik toplamı ve varyansı frekans öznitelikleri olarak belirlenmiştir. Bunun yanında interhemisfer kanal çiftleri arasındaki koherans analizi sonucunda elde edilen normalize alt bant koheransları öznitelik olarak çıkartılmıştır. Son olarak sinyale uygulanan SDD sonucunda elde edilen, alt bant frekanslarına ait katsayıların ortalama, standart sapma ve kendi aralarındaki oranları kullanılarak farklı bir öznitelik seti oluşturulmuştur. Elde edilen öznitelik setlerinin AH, HBB ve sağlıklı kontrol EEG sinyallerini ayrıştırma başarısının ölçülmesi için destek vektör makineleri, k-en yakın komşu, karar ağaçları gibi sınıflandırıcı algoritmaları ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonucunda literatürdeki doğruluk oranlarına göre yüksek ya da aynı seviyede sonuçlar verebilen ve başarılı bir şekilde teşhis koyabilen bir karar destek sistemi geliştirilmiştir. The term dementia refers to neurodegenerative disorder characterized by impaired cognitive and behavioral functions due to death or damage of brain cells. Alzheimer's Disease (AD), the most common form of dementia, is a progressive disorder characterized by cognitive, intellectual deficits and behavioral disorders. Mild cognitive impairment (MCI), on the other hand, refers to individuals with cognitive impairment beyond their expectations for age, but not strong enough to meet the diagnostic criteria for AD. Every year, approximately 10-15 percent of MCI patients progress to AD. Diagnosis of these diseases is made by interpreting the results of cognitive tests, physical and neurological examinations, neuroimaging methods, and blood and cerebrospinal fluid examinations. Therefore, the diagnostic process is time-consuming, has difficulties for the target patient population and can yield to subjective results. In addition, early diagnosis of dementia gives patients and their families time to plan this process. At the same time, even there is no treatment for these diseases, treatment processes initiated at an early stage may slow down the progression of the disease and alleviate the symptoms. In this thesis, we’ve investigated the feasibility of electroencephalography (EEG), a noninvasive, inexpensive, objective method for the diagnosis of AD and MCI. In this study, EEG signals collected from real patients were examined in accordance with the diagnosis made by specialists in Neurology Clinic of Baskent University Ankara Hospital. In this study, EEG signals were examined by using discrete wavelet transform (DWT), power spectral density (PSD), coherence, continuous wavelet transform (CWT) methods. As a result of the investigations, different features were extracted for each different method. In the analysis made by DWT, the signals are decomposed into 6 sub bands (delta (0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gamma (32-48 Hz)). Mean, maximum-minimum values, variance and standard deviation of the 6 sub bands were determined as a feature set. Moreover, the amplitude sum and variance of the PSD of the sub bands obtained were determined as frequency features. In addition, the normalized sub band coherences, obtained as a result of the coherence analysis between the interhemispheric channel pairs, were extracted as a feature set. Finally, a different feature set was formed by using the mean, standard deviation and the ratio of the coefficients of the sub-band frequencies obtained from the CWT analysis of the signal. In order to measure the success of discrimination of AD, MCI and healthy control EEG signals, classification studies were performed with classifier algorithms such as support vector machines, k-nearest neighbor and decision trees. As a result of this study, a decision support system was developed that can diagnose successfully and can yield higher or equal results in the means of accuracy of the literature.