dc.contributor.advisor | Bayrakdar Yılmaz, Yonca | |
dc.contributor.author | Ataş, Deniz | |
dc.date.accessioned | 2024-09-05T08:15:33Z | |
dc.date.available | 2024-09-05T08:15:33Z | |
dc.date.issued | 2022 | en_US |
dc.date.submitted | 2022-06-30 | |
dc.identifier.citation | Ataş, D. (2022). Derin öğrenme ile 11 – 13 + 6 hafta gebelikte açık spina bifida belirteçlerinin otomatik tespiti ve ölçümü. Yayımlanmamış yüksek lisans tezi, Çanakkale Onsekiz Mart Üniversitesi, Çanakkale. | en_US |
dc.identifier.uri | https://hdl.handle.net/20.500.12428/6073 | |
dc.description.abstract | Açık spina bifida omurilikte nöral tüpün başarısız kapanması sonucu oluşan ve yaygın olarak görülen doğumsal bir malformasyondur. Açık spina bifidanın doğum öncesi erken tanısı, erken tedavi ve ebeveynlerin gerekli önlemleri alması için büyük önem arz etmektedir. Doğum öncesi tanı için kullanılan en yaygın yöntem noninvaziv yapısından dolayı ultrasonografidir. Erken gebelik döneminde belirteçlerin zor görülmesi, ultrason görüntülerinin kalitesiz olması gibi zorluklar açık spina bifida tanısını zorlaştırmaktadır. Bu çalışmada açık spina bifidanın 11 – 13+6 hafta gebelik dönemindeki erken tanısında kullanılan belirteçlerin otomatik tespiti ve ölçümü hedeflenmiştir. Bu tarz sistemler insan bağımlılığını azaltabilir ve yanlış tanıları önlemek için alternatif gözlemciler olarak kullanılabilir. Geliştirilen yöntemde ilk olarak açık kaynaklı çalışmalardan ultrason görüntüleri toplanmıştır. Ultrason görüntülerinde var olan benek gürültüsünden kurtulmak için görüntü işleme tekniği kullanılmıştır. Sonrasında tezin en önemli adımı olan segmentasyon işlemi için evrişimli sinir ağı mimarisi olan U-Net mimarisi kullanılmıştır. U Net modelimizin segmentasyon başarısını ölçmek için kullanılan doğruluk, zar katsayısı, kesinlik, duyarlılık değerleri sırasıyla frontomaksiller yüz (FMF) açısı belirteci için %99,2, %81,2, %84,8, %83,6 iken intrakraniyal saydamlık (IT) belirteci için ise %99,6, %73,9, %85, %72,3 şeklindedir. Elde edilen segmentasyon sonuçları üzerinde konturleme yapılarak IT belirteci tespit edilirken, FMF açısı ölçümü için ise bu bölgeler üzerinde çizgiler çizilerek açı ölçümü yapılmıştır. Çalışmamızın ana sınırlaması, yeterli sayıda kamuya açık fetal ultrason görüntülerinin olmamasıdır. Yöntemimizde, bu zorluğun üstesinden gelerek az veri ile geliştirilebilir tatmin edici sonuçlar elde edilmiştir. Bununla birlikte daha ileri hafta gebeliklerde açık spina bifidanın otomatik tespiti üzerine çözümler geliştirilmiş olsa da erken gebelik döneminde geliştirilmiş bir çözüm literatürde bulunmamaktadır. Çalışmamızın literatürdeki bu boşluğu doldurmaya katkıda bulunması hedeflenmiştir. | en_US |
dc.description.abstract | Open spina bifida is a common congenital malformation that occurs as a result of unsuccessful closure of the neural tube in the spinal cord. Early prenatal diagnosis of open spina bifida is of great importance for treatment and for parents to take necessary precautions. The most common method used for prenatal diagnosis is ultrasonography due to its noninvasive nature. Challenges such as the difficulty in detecting markers during early pregnancy and the poor quality of ultrasound images make the diagnosis of open spina bifida difficult. In this study, it was aimed to automatically detect and measure the markers used in the early diagnosis of open spina bifida in the 11 – 13 + 6 weeks of gestation. Such systems can reduce human dependence and be used as alternative observer to avoid misdiagnoses. In the developed method, firstly, ultrasound images were collected from open-source studies. Image processing technique was used to get rid of the speckle noise in ultrasound images. Afterwards, the U-Net architecture, which is a convolutional neural network architecture, was used for the segmentation process, which is the most important step of the thesis. The accuracy, dice coefficient, precision and recall values used to measure the segmentation success of our U-Net model are 99,2%, 81,2%, 84,8%, 83,6% for the frontomaxillary face (FMF) angle marker and 99,6%, 73,9%, 85%, 72,3% for the intracranial translucency (IT) marker, respectively. While IT marker was determined by contouring on the segmentation results obtained, angle measurement was made by drawing lines on these regions for FMF angle measurement. The main limitation of our study is the lack of sufficient publicly available fetal ultrasound images. In our method, we have overcome this difficulty and obtained satisfactory results that can be improved with small data. In addition to this, although solutions have been developed for the automatic detection of open spina bifida in later weeks of pregnancy, there is no solution developed in the early pregnancy period in the literature. It is aimed that our study will contribute to filling this gap in the literature. | en_US |
dc.language.iso | tur | en_US |
dc.publisher | Çanakkale Onsekiz Mart Üniversitesi, Lisansüstü Eğitim Enstitüsü | en_US |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Açık Spina Bifida | en_US |
dc.subject | İntrakraniyal saydamlık | en_US |
dc.subject | Frontomaksiller yüz açısı | en_US |
dc.subject | Derin öğrenme | en_US |
dc.subject | Evrişimli sinir ağı | en_US |
dc.subject | U-Net Mimarisi | en_US |
dc.subject | Open Spina Bifida | en_US |
dc.subject | Intracranial translucency | en_US |
dc.subject | Frontomaxillary facial angle | en_US |
dc.subject | Deep Learning | en_US |
dc.subject | Convolutional Neural Network | en_US |
dc.subject | U-Net Architecture | en_US |
dc.title | Derin öğrenme ile 11 – 13 + 6 hafta gebelikte açık spina bifida belirteçlerinin otomatik tespiti ve ölçümü | en_US |
dc.title.alternative | Automatic detection and measurement of open spina bifida markers at 11 – 13 + 6 weeks of gestation via deep learning | en_US |
dc.type | masterThesis | en_US |
dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
dc.institutionauthor | Ataş, Deniz | |
dc.relation.publicationcategory | Tez | en_US |