Ripplet, Tetrolet ve Ridgelet dönüşümleri kullanılarak karaciğer fokal lezyonlarının belirlenmesi
| dc.contributor.advisor | Ceylan, Murat | |
| dc.contributor.author | Özturk, Ayşe Elif | |
| dc.date.accessioned | 2018-05-09T07:17:10Z | |
| dc.date.available | 2018-05-09T07:17:10Z | |
| dc.date.issued | 2015-02-16 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Karaciğer, hayati önem taşıyan birçok metabolik faaliyette kritik rol almaktadır. Dolayısıyla karaciğerde meydana gelen rahatsızlıkların ölümcül sonuçlara sebep olmaması için, zamanında ve doğru şekilde teşhis edilmesi büyük önem arz etmektedir. Radyologların teşhisleri, belli bir doğruluk oranının üstüne çıkamamaktadır. Teşhislerde doğruluk oranını artırmak amacıyla geliştirilecek yeni karar destek sistemlerine ihtiyaç duyulmaktadır. Bu tez çalışması, çoklu çözünürlük analizi metodları ve yapay sinir ağları (YSA) kullanılarak karaciğer fokal lezyonlarının (hemanjiom/kist, iyi huylu/kötü huylu) tespitine yönelik geliştirilen karar destek sistemlerini içermektedir. Bu tezde kullanılan veri tabanı, TÜBİTAK tarafından desteklenen 113E184 numaralı proje kapsamında, Selçuk Üniversitesi Tıp Fakültesi Radyoloji bölümünden alınan karaciğer manyetik rezonans (MR) görüntüleri ile oluşturulmuştur. MR görüntüleri çeşitli gürültülerden etkilenmektedir. Bu etki, görüntülerin tanısal ve görsel kalitesini azaltmakla birlikte, sayısal sistemlerin sınıflama performansını da olumsuz yönde etkilemektedir. Bu nedenle, çoklu çözünürlük analizleri ile farklı gürültü giderme sistemleri de geliştirilmiştir. Sistemlerin performanslarını karşılaştırmak için gerçekleştirilen uygulamalar teze dahil edilmiştir. Tezdeki sınıflandırma ve gürültü giderme uygulamalarında kullanılan çoklu çözünürlük analizi yöntemleri; Ripplet dönüşümleri (Ripplet-II, ortagonal Ripplet-II), Tetrolet dönüşümleri (standart Tetrolet, modifiye edilmiş Tetroletler) ve Ridgelet dönüşümüdür. Çoklu çözünürlük analizlerinin temelini oluşturan Dalgacık dönüşümü ve medikal sınıflama ve gürültü giderme çalışmalarında sıklıkla tercih edilen Curvelet dönüşümleri (birinci ve ikinci nesil) ile karşılaştırmalı sonuçlar verilmiştir. Ortagonal Ripplet-II ve Tetrolet dönüşümlerinin kompleks formları ile Tetrolet dönüşümünün birleştirilmiş yeni bir formu tanımlanmıştır. Birleştirilmiş Tetrolet dönüşümünün gürültü giderme performansı ile kompleks ortagonal Ripplet-II ve kompleks Tetrolet dönüşümlerinin karaciğer fokal lezyonlarını sınıflama becerileri test edilmiş ve elde edilen sonuçlar mevcut yöntemlerle karşılaştırmalı olarak sunulmuştur. | en_US |
| dc.description.abstract | Liver takes critical part in many vital metabolic activities. Hence, it is very important to diagnose occured liver diseases on time, accurately not to cause fatal results. The accuracy rate of diagnostics of radiologysts could not exceed a certain value. There is need to improve new decision support systems for the purpose of increasing the accuracy rates of diagnostics. This thesis contains decision support systems which are proposed for detecting liver focal lesions (hemangioma/cyst, benign/malign) using multi-resolution analysis methods and artificial neural networks (ANNs). The used database for this thesis is generated with liver magnetic resonance (MR) images which were taken from Selcuk University Faculty of Medicine Department of Radiology within the project supported by The Scientific and Technical Research Council of Turkey (TUBITAK, Project No: 113E184). MR images are effected by various noises. This effect decreases diagnostic and visual quality of the images and affects the classification performance of digital systems. Therefore, different denoising systems are composed by using multi-resolution analysis methods. Applications which compares the performances of the systems are included in thesis. Multi-resolution analysis methods used in classification and denoising implementations of the thesis are Ripplet transforms (Ripplet-II, orthogonal Ripplet-II), Tetrolet transforms (standard Tetrolet and modified Tetrolets) and Ridgelet transform. Comparative results with Wavelet transform which is the basis of multi-resolution analysis techniques and Curvelet transforms (first and second generation) which are often preffered for medical classifying and denoising studies are presented. Complex forms of orthogonal Ripplet-II and Tetrolet transforms are initially introduced. Moreover a fused form of Tetrolet transform is identified. Denoising performance of fused Tetrolet transform and liver focal lesion classifying abilities of complex orthogonal Ripplet-II and complex Tetrolet transforms are tested and obtained results are presented after comparing with existing methods. | en_US |
| dc.description.sponsorship | Bu tez çalışması TÜBİTAK tarafından 113E184 nolu proje ile desteklenmiştir. | en_US |
| dc.identifier.citation | Özturk, A. E. (2015). Ripplet, Tetrolet ve Ridgelet dönüşümleri kullanılarak karaciğer fokal lezyonlarının belirlenmesi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/10591 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Multiresolution tecnique | en_US |
| dc.subject | Çok çözünürlü teknikler | en_US |
| dc.subject | Artificial neural networks | en_US |
| dc.subject | Yapay sinir ağları | en_US |
| dc.subject | Image denoising | en_US |
| dc.subject | Görüntü temizleme | en_US |
| dc.subject | Image classification | en_US |
| dc.subject | Görüntü sınıflandırma | en_US |
| dc.subject | Image processing | en_US |
| dc.subject | Görüntü işleme | en_US |
| dc.title | Ripplet, Tetrolet ve Ridgelet dönüşümleri kullanılarak karaciğer fokal lezyonlarının belirlenmesi | en_US |
| dc.title.alternative | Detecting the liver focal lesions by using Ripplet, Tetrolet and Ridgelet transforms | en_US |
| dc.type | Master Thesis | en_US |
