Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.11851/7851
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Eroğul, Osman | - |
dc.contributor.author | Dağlı, Kaya | - |
dc.date.accessioned | 2021-12-02T17:20:13Z | - |
dc.date.available | 2021-12-02T17:20:13Z | - |
dc.date.issued | 2021 | - |
dc.identifier.citation | Dağlı, Kaya. (2021). Derin öğrenme modelleri kullanılarak beyin tümörlerinin sınıflandırılması. (Yayınlanmamış Yüksek Lisans Tezi). TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği Ana Bilim Dalı | en_US |
dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=tqUiYt63sTQLTpozMJ92Qqmj1RZ8UQOyGq5_DgC7p79OIAcCkoWMpjMtp7rBYfkE | - |
dc.identifier.uri | https://hdl.handle.net/20.500.11851/7851 | - |
dc.description | YÖK Tez No: 691281 | en_US |
dc.description.abstract | Beyin tümörleri insan sağlığını önemli derecede etkileyebilmektedir. Bu tümörlerin yanlış teşhisi durumunda, müdahale için alınacak olan kararlar ve bireyin sağlık durumu verimli şekilde belirlenememektedir. Manyetik rezonans görüntülerinin bir hekim tarafından incelenmesi, beyin tümörlerinin belirlenmesinde en yaygın kullanılan yöntemdir. Beyin tümörlerinin çeşitliliğinden ve hekimlerin incelemesi gereken birçok görüntü olduğundan ötürü, bu yöntem hem insan hatalarına yatkındır hem de fazla zaman harcanmasına neden olmaktadır. Bu çalışmada, en yaygın görülen üç beyin tümörü çeşidi olan; Gliom, Meninjiyom ve Hipofiz bezi tümörlerinin derin öğrenme modelleri kullanılarak sınıflandırılması üzerine çalışılmıştır. Çalışmada doğruluk oranının yüksek olmasına önem verilirken, modellerin eğitimi için harcanan zaman da incelenmiştir. Bu sınıflandırma çalışması ile hekimlere yardımcı olabilecek bir sistem yaratmak amaçlanmıştır. Doğruluk oranı %90'a varan bir sistem oluşturulmuştur. | en_US |
dc.description.abstract | Brain tumors threathen human health significantly. Misdiagnosis of these tumors decrease effectiveness of decisions for intervention and patient's state of health. The conventional method to differentiate brain tumors is by the inspection of magnetic resonance images by clinicians. Since there are various types of brain tumors and there are many images that clinicians should examine, this method is both prone to human errors and causes excessive time consumption. In this study, the most common brain tumor types; Glioma, Meningioma and Pituitary are classified using deep learning models. While the main objective of this study is to have a high rate of accuracy, the time spent is also examined. The aim of this study is to ease clinicians work load and have a time efficient classification system. The system which has been built has an accuracy up to 90%. | en_US |
dc.language.iso | tr | en_US |
dc.publisher | TOBB Ekonomi ve Teknoloji Üniversitesi | en_US |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Biyomühendislik | en_US |
dc.subject | Bioengineering | en_US |
dc.title | Derin Öğrenme Modelleri Kullanılarak Beyin Tümörlerinin Sınıflandırılması | en_US |
dc.title.alternative | Classification of Brain Tumors Via Deep Learning Models | en_US |
dc.type | Master Thesis | en_US |
dc.department | Institutes, Graduate School of Engineering and Science, Biomedical Engineering Graduate Programs | en_US |
dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği Ana Bilim Dalı | tr_TR |
dc.identifier.startpage | 1 | en_US |
dc.identifier.endpage | 93 | en_US |
dc.institutionauthor | Dağlı, Kaya | - |
dc.relation.publicationcategory | Tez | en_US |
item.openairetype | Master Thesis | - |
item.languageiso639-1 | tr | - |
item.grantfulltext | open | - |
item.fulltext | With Fulltext | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.cerifentitytype | Publications | - |
Appears in Collections: | Biyomedikal Mühendisliği Yüksek Lisans Tezleri / Biomedical Engineering Master Theses |
Files in This Item:
File | Size | Format | |
---|---|---|---|
691281.pdf | 1.65 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
988
checked on Dec 23, 2024
Download(s)
516
checked on Dec 23, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.