BEYİN MR GÖRÜNTÜLERİ ÜZERİNDEN BEYİN TÜMÖRÜ TESPİTİ,SINIFLANDIRMASI VE SEGMENTASYONUNDA DERİN ÖĞRENME YÖNTEMLERİNİN İNCELENMESİ
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, MATEMATİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: ESMA NUR GÜNEŞER
Danışman: Mert Bal
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Beyin tümörlerinin erken teşhisi ve cerrahi planlama için tümör sınırlarının hassas bir şekilde belirlenmesi, hastanın hayatta kalma oranını doğrudan etkileyen kritik bir süreçtir. Manyetik Rezonans (MR) görüntüleme, bu süreçte altın standart olsa da, görüntülerin manuel analizi zaman alıcıdır ve uzmanlar arası yorum farklılıklarına açıktır. Bu tez çalışmasında, beyin tümörlerinin otomatik tespiti (sınıflandırma) ve lezyon sınırlarının belirlenmesi (segmentasyon) amacıyla, kısıtlı donanım kaynaklarında (3GB VRAM) yüksek performans sağlayan uçtan uca bir derin öğrenme sistemi geliştirilmiştir. Çalışma kapsamında Br35H, Nickparvar, BRISC-2025 ve BraTS-2020 veri setleri birleştirilerek kapsamlı bir veri havuzu oluşturulmuştur. Metodolojik bir yenilik olarak, görüntülerden kafatası ve beyin dışı dokuların temizlendiği özgün bir "Beyin Çıkarma (Brain Extraction - BE)" algoritması geliştirilmiş ve bu işlemin model başarısına etkisi analiz edilmiştir. Sınıflandırma aşamasında ResNet, DenseNet, Inception, EfficientNet gibi Konvolüsyonel Sinir Ağları (CNN) ile Swin Transformer ve Vision Transformer (ViT) mimarileri karşılaştırılmıştır. Literatürdeki standart yaklaşımların aksine, bu çalışmada genel nesne tanıma verileriyle eğitilmiş ImageNet ağırlıkları ile radyolojik görüntülerle eğitilmiş RadImageNet (RIN) ağırlıklarının transfer öğrenme performansları sistematik olarak kıyaslanmıştır. Ayrıca Transformer modellerinin optimizasyon hassasiyeti (Adam vs AdamW) deneysel olarak incelenmiştir. Elde edilen sonuçlar, medikal alana özgü transfer öğrenmenin (RIN), özellikle karmaşık dörtlü sınıflandırma görevlerinde (Glioma, Meningioma, Hipofiz, Sağlıklı) standart ImageNet modellerine göre daha üstün olduğunu göstermiştir. InceptionV3 modeli, RIN ağırlıkları ve BE ön işlemesi ile %99.12 doğruluk oranına ulaşırken, hafif mimariye sahip EfficientNet-B0 modeli %99.78 başarı ile en verimli model olmuştur. Transformer tabanlı modellerde ise AdamW optimizasyonunun, ViT modelinin performansını %9 oranında artırdığı ve ön eğitimin (Pre-training) bu mimariler için zorunlu olduğu tespit edilmiştir. Segmentasyon modülünde ise Linknet mimarisi, BRISC veri setinde 0.86 Dice Skoru ve 3.15 piksel Hausdorff hatası ile en başarılı sonuçları vermiştir. Çok modlu BraTS veri setinde ise Kontrastlı T1 (T1CE) sekansının aktif tümör tespiti için en kritik modalite olduğu kanıtlanmıştır. Sonuç olarak bu tez; doğru veri ön işleme, alana özgü transfer öğrenme ve optimize edilmiş hafif mimarilerin kullanımıyla, yüksek hesaplama gücü gerektirmeden klinik düzeyde başarılı bir tanı destek sistemi geliştirilebileceğini ortaya koymuştur.