Polikistik Over Sendromunun Folikül Sayımına Dayalı Tespitinde Görüntü İşleme ve Evrişimsel Sinir Ağları Kullanımı
Yükleniyor...
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Polikistik over sendromu, birçok kadında görülen hormonal bir hastalıktır. Yumurtalıklarda çok sayıda küçük ve iyi huylu kistin bir araya gelmesi ile oluşur. Folikül adı verilen bu kistler, ultrason görüntüleme ile gözlenen yumurtalıklarda özel bir görüntü oluşturur. Yumurtalık hastalıklarında bu foliküllerin sayısı, yapısı ve büyüklüğü tanı için önemli bilgiler sağlamaktadır. Bu bilgilere dayanarak görüntü işleme ve yapay zeka sayesinde çeşitli hastalıkların teşhisi sağlanabilmektedir. Bu çalışmada 54 adet yumurtalık ultrason görüntüsü kullanılmıştır. Döndürme, yatay ve dikey yansıtma, histogram eşikleme kullanılarak yapılan veri artırımı ile 200 adet normal ve 70 adet polikistik over sendromlu (PKOS) yumurtalık görüntüsü kaydedilmiştir.Tez çalışmasında PKOS için iki farklı folikül saptama yöntemi test edilmiştir. Birinci yöntem gürültü filtreleme, kontrast ayarı, binarizasyon ve morfolojik süreçlerden oluşur. Bu yöntem için gürültü azaltmada ortanca filtre, ortalama filtre, Gaussian filtresi ve Wiener filtresi kullanılmış ve daha sonra standart eşikleme ve uyarlanabilir eşikleme test edilmiştir. İkinci yöntemde gürültüyü azaltmak için Gaussian filtre ve Ayrık Dalgacık Dönüşümü seçilmiştir. Bu yöntemde folikülleri tespit etmek için k-ortalama kümeleme algoritması ve morfolojik işlemler görüntüye uygulanmıştır. Kullanılan filtrelerin performans değerlendirmesi Ortalama Kare Hatası ve Pik Sinyal Gürültü Oranı ölçütleri kullanılarak yapılmıştır. Her iki yöntem için de gerçekleştirilen segmentasyon aşamasında Canny kenar algılama algoritması ile foliküller tespit edilmiştir. Sonuçların doğruluğunu değerlendirmek için yanlış kabul oranı (FAR) ve yanlış reddetme oranı (FRR) kullanımıştır. En yüksek folikül tanıma başarı oranı %97,63 ile Wiener filtresi ile uyarlanabilir eşiklemenin kullanıldığı yöntem ile sağlanmıştır. Bu yöntem için FAR %33,45 ve FRR %1,61 olarak elde edilmiştir. Bu çalışma sonucunda birinci yöntemde Wiener Filtre ile uyarlanabilir eşiklemenin bir arada uygulandığı yöntem kullanılarak yüksek başarı oranı ile folikül tespiti gerçekleştirilmiştir. Folikül tespitinin ardından segmente edilmiş görüntüler ile yeni bir veri seti oluşturulmuştur. Evrişimsel Sinir Ağı (ESA) mimarisi kullanılarak "normal" ve "polikistik over sendromu" olmak üzere yumurtalık folikülleri sınıflandırılmıştır. Segmente edilmemiş görüntüler kullanılarak %65,81 ve segmente edilmiş görüntüler kullanılarak % 77,81 doğruluk oranı elde edilmiştir. Hassasiyet, Duyarlılık, Kesinlik ve F1 ölçütleri kullanılarak sınıflandırma performansı değerlendirilmiştir.
Polycystic ovary syndrome is a hormonal disorder that occurs in many women. It is formed by the coming together of many small and benign cysts in the ovaries. These cysts, called follicles, form a special image in the ovaries observed with ultrasound imaging. The number, structure, and size of these follicles in ovarian diseases provide important information for diagnosis. Based on this information, various diseases can be diagnosed with image processing and artificial intelligence. In this study, 54 ovarian ultrasound images were used.With data augmentation using rotation, horizontal and vertical projection, histogram thresholding, 200 normal and 70 polycystic ovarian syndrome (PCOS) ovary images were recorded. In the thesis study, two different follicle detection methods were tested for PCOS. The first method consists of noise filtering, contrast adjustment, binarization and morphological processes. For this method, median filter, average filter, Gaussian filter, and Wiener filter are used for noise reduction, and then standart thresholding and adaptive thresholding are tested. In the second method, Gaussian filter and Discrete Wavelet Transform are chosen to reduce noise. In this method, k-means clustering algorithm and morphological operations were applied to the image to detect follicles. The performance evaluation of the filters used was made using Mean Square Error and Peak Signal to Noise Ratio metrics. In the segmentation stage performed for both methods, follicles were detected with the Canny edge detection algorithm. False Acceptance Rate (FAR) and False Rejection Rate (FRR) were used to evaluate the accuracy of the results. The highest follicle recognition success rate was 97,63%, using adaptive thresholding with Wiener filter. For this method, FAR was obtained as 33,45% and FRR as 1,61%. As a result of this study, follicle detection was performed with a high success rate by using the method in which the Wiener Filter and adaptive thresholding were applied together in the first method. After the follicle detection, a new data set was created with segmented images. Ovarian follicles were classified as "normal" and "polycystic ovary syndrome" using Convolutional Neural Network (CNN) architecture and 65,81% accuracy was obtained using unsegmented images and 77,81% using segmented images. Classification performance was evaluated using the criteria of Sensitivity, Sensitivity, Precision and F1.
Polycystic ovary syndrome is a hormonal disorder that occurs in many women. It is formed by the coming together of many small and benign cysts in the ovaries. These cysts, called follicles, form a special image in the ovaries observed with ultrasound imaging. The number, structure, and size of these follicles in ovarian diseases provide important information for diagnosis. Based on this information, various diseases can be diagnosed with image processing and artificial intelligence. In this study, 54 ovarian ultrasound images were used.With data augmentation using rotation, horizontal and vertical projection, histogram thresholding, 200 normal and 70 polycystic ovarian syndrome (PCOS) ovary images were recorded. In the thesis study, two different follicle detection methods were tested for PCOS. The first method consists of noise filtering, contrast adjustment, binarization and morphological processes. For this method, median filter, average filter, Gaussian filter, and Wiener filter are used for noise reduction, and then standart thresholding and adaptive thresholding are tested. In the second method, Gaussian filter and Discrete Wavelet Transform are chosen to reduce noise. In this method, k-means clustering algorithm and morphological operations were applied to the image to detect follicles. The performance evaluation of the filters used was made using Mean Square Error and Peak Signal to Noise Ratio metrics. In the segmentation stage performed for both methods, follicles were detected with the Canny edge detection algorithm. False Acceptance Rate (FAR) and False Rejection Rate (FRR) were used to evaluate the accuracy of the results. The highest follicle recognition success rate was 97,63%, using adaptive thresholding with Wiener filter. For this method, FAR was obtained as 33,45% and FRR as 1,61%. As a result of this study, follicle detection was performed with a high success rate by using the method in which the Wiener Filter and adaptive thresholding were applied together in the first method. After the follicle detection, a new data set was created with segmented images. Ovarian follicles were classified as "normal" and "polycystic ovary syndrome" using Convolutional Neural Network (CNN) architecture and 65,81% accuracy was obtained using unsegmented images and 77,81% using segmented images. Classification performance was evaluated using the criteria of Sensitivity, Sensitivity, Precision and F1.
Açıklama
Anahtar Kelimeler
Evrişimli Sinir Ağları, Folikül Tespiti, Görüntü İşleme, Polikistik Over Sendromu, Ultrasonograf, Convolutional Neural Networks, Follicle Detection, Image Processing, Polycystic Ovary Syndrome, Ultrasonography
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Gülhan, P. G., (2021). Polikistik Over Sendromunun Folikül Sayımına Dayalı Tespitinde Görüntü İşleme ve Evrişimsel Sinir Ağları Kullanımı. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
