Show simple item record

dc.contributor.advisorBayrakçı, Hilmi Cenk
dc.contributor.advisorAksoy, Bekir
dc.contributor.authorTürkçetin, Ayşen Özün
dc.date.accessioned2020-12-29T09:13:12Z
dc.date.available2020-12-29T09:13:12Z
dc.date.submitted2019
dc.date.issued2019-10-23
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/379176
dc.description.abstractTürkiye'de yılda 163.500 civarında yeni kanser vakası teşhis edilmektedir. Akciğer kanseri, gelişmiş ülkelerin çoğunda olduğu gibi ülkemizde de kanserden dolayı meydana gelen ölümlerinin başını çekmektedir. Dolayısıyla başarılı ve erken teşhis hayati önem taşımaktadır.Akciğer kanseri BT görüntülerideki kanserli dokuların tanısında kullanılacak olan derin öğrenme metotları ile, akciğer kanseri teşhisinde derin öğrenme alanında çok az sayıda araştırma vardır. Bu sebepten dolayı yapılan çalışmada PET/BT görüntüleri üzerinden akciğer kanseri tümörlü doku tespiti için bir derin öğrenme modeli önerilmiştir.Oluşturulan derin öğrenme modellerinde veri seti olarak iyi ve kötü huylu tümör bulunan 38 farklı hastadan 1968 tane BT görüntüsü kullanılmıştır. Yüksek lisans çalışmasında, akciğer kanserinin teşhisi öncesi sınıflandırma için derin öğrenme modelleri kullanılmıştır. Veri seti önce iyi ve kötü huylu tümör bulunma durumlarına göre etiketlenmiştir. Hastalardan alınan BT görüntülerine görüntü işleme metotlarından histogram eşikleme yöntemi uygulanmıştır. Histogram eşikleme metodu uygulanan veriler iyi ve kötü huylu olarak etiketlenmiş, % 80'i eğitim, % 20'si test olacak şekilde ayrılmıştır. Ayrılan bu veri setine önerilen CNN derin öğrenme modeli uygulandığında doğruluk oranı % 98.48 olarak tespit edilmiştir. Oluşturulan veri setinin DNN derin öğrenme modelindeki doğruluk oranı ise % 93.65 olarak tespit edilmiştir. Literatürdeki diğer çalışmalarla karşılaştırıldığında önerilen derin öğrenme modellerinin daha yüksek doğruluk oranına sahip olduğu görülmüştür.
dc.description.abstractOf around 163 500 new cases of cancer are diagnosed annually in Turkey. Lung cancer is the leading cause of cancer deaths in our country as in most developed countries. Therefore, successful and early diagnosis is vital.There are very few studies in the field of deep learning in the diagnosis of lung cancer, with the use of deep learning methods for the diagnosis of cancerous tissues on lung cancer CT images. For this reason, in the study, a deep learning model for lung cancer tumor tissue detection via PET / CT images was proposed.1968 CT images of 38 different patients with benign and malignant tumors were used as the data set in the deep learning models. In the graduate study, deep learning models were used for classification before the diagnosis of lung cancer. The data set was first labeled according to the presence of benign and malignant tumors. Histogram thresholding method was applied to the CT images obtained from the patients. The histogram thresholding data were labeled as benign and malignant, 80% of which was divided into training and 20% of which were tested. When the proposed CNN deep learning model was applied to this separated data set, the accuracy rate was 98.48%. The accuracy of the data set in the DNN deep learning model was 93.65%. Compared to other studies in the literature, the proposed deep learning models have higher accuracy.en_US
dc.languageTurkish
dc.language.isotr
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontroltr_TR
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.subjectMekatronik Mühendisliğitr_TR
dc.subjectMechatronics Engineeringen_US
dc.titleAkciğer kanserinin tespit edilmesinde derin öğrenme algoritmalarının kullanılması
dc.title.alternativeUsing deep learning algorithms for detecti̇on of lung cancer
dc.typemasterThesis
dc.date.updated2019-10-23
dc.contributor.departmentMekatronik Mühendisliği Anabilim Dalı
dc.subject.ytmMachine learning
dc.subject.ytmDigital image processing
dc.subject.ytmDeep learning
dc.subject.ytmArtificial neural networks
dc.identifier.yokid10269241
dc.publisher.instituteLisansüstü Eğitim Enstitüsü
dc.publisher.universityISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ
dc.identifier.thesisid571303
dc.description.pages60
dc.publisher.disciplineDiğer


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess