Thyroid nodule classification from ultrasound images using deep learning

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: AYŞEN AKBAL

Danışman: MAHMUT EKŞİOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Teknolojinin sürekli gelişimi ile beraber yapay zekanın uygulama alanı git gide genişlemektedir. Uygulama alanlarının başında gelen sektörlerden biri olan sağlık sektöründe, tıbbi görüntülere uygulanan derin öğrenme modelleri, hastalık tespiti ve yorumlanması noktasında giderek daha fazla benimsenmektedir. Bu eğilim, son yıllarda görülme sıklığı giderek artan tiroid nodüllerinin tespitine odaklanan birçok çalışmada gözlenmektedir. Tiroid nodüllerinin tespiti ve sınıflandırılmasında yaygın olarak kullanılan bir tanı yöntemi olan ultrason, uzmanlar arası deneyime dayanan subjektif ve zaman alan bir değerlendirme süreci içerir. Bu nedenle geleneksel tanı sürecince false positive teşhis sonrası doğan gereksiz biyopsi sürecini iyileştirebilmek adına bir derin öğrenme yaklaşımı geliştirilmiştir. Bu araştırmada, Türkiye'den 110 hastaya ait, 86'sı benign ve 24'ü malign olmak üzere toplam 445 tiroid ultrason görüntüsü içeren bir veri seti üzerinde çalışılmıştır. Model eğitimi, doğrulama ve test işlemleri için sırasıyla 305, 40 ve 100 görüntüden oluşan üç veri seti kullanıldı. Sınıf dengesizliğini gidermek için data augmentation uygulandı ve Kolombiya Ulusal Üniversitesi'nden alınan harici malign veriler eklendi. Tiroid nodüllerinin kategorize edilmesi için derin öğrenme tabanlı bir CNN mimarisi kullanıldı. Yetersiz veri sorununu çözmek için ImageNet ve yalnızca medikal görüntüler içeren RadImageNet ile transfer öğrenme yöntemleri karşılaştırıldı. EfficientNetB0, ResNet50, DenseNet121 ve Xception modelleri değerlendirildi. Hiper-parametre optimizasyonu sonucunda, ResNet50 modeli \%91 doğruluk, \%87 kesinlik ve \%65 duyarlılık ile en iyi sonucu verdi. Test setindeki görseller, uzman endokrinologlar ve radyologlar tarafından sınıflandırıldı ve derin öğrenme tabanlı modelimizin daha yüksek doğruluk sağladığı tespit edildi.