Makine öğrenmesi yöntemleriyle bel bölgesi rahatsızlıklarının tanısı
| dc.contributor.advisor | Koçer, H. Erdinç | |
| dc.contributor.author | Ünal, Yavuz | |
| dc.date.accessioned | 2018-06-28T10:22:19Z | |
| dc.date.available | 2018-06-28T10:22:19Z | |
| dc.date.issued | 2015-06-02 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Bel bölgesi rahatsızlıklarının en belirgin ortak belirtisi bel ağrısıdır. Bel ağrısı modernleşen toplumların önemli sağlık problemlerinden biri olarak karşımıza çıkmaktadır. En sık görülen rahatsızlıklardan biri olan bel ağrısı insanların %80' inin hayatında en az bir kez karşılaştığı, kas ve iskelet sisteminde fonksiyon bozukluklarına sebep olan en önemli sağlık sorunlarından biridir. Bel ağrısı çalışan kesimi ileri derecede etkilemektedir. Özellikle gelişmiş ülkelerde işgücü ve ücret kayıplarına sebep olmakta ve bu ülkelerde milyar dolarlara varan maddi kayıplara sebep olmaktadır. Bu çalışmada radyolog, uzman ve doktorların bel bölgesi rahatsızlıklarının teşhisine yardımcı olması amaçlanan bir bilgisayar destekli teşhis (BDT) sistemi geliştirilmiştir. Bu sistem ile bel bölgesi rahatsızlıklarından bel fıtığı, dejeneratif disk, omur kayması (spondilolysthesis), lomber spinal stenoz, rahatsızlıkları teşhis edilmektedir. Sistemin aşamaları; görüntü ön işleme, özellik çıkarımı, veri ağırlıklandırma ile özellik azaltımı ve sınıflandırma olarak sıralanabilir. Çalışmada kullanılan bel bölgesi axial ve sagittal MR görüntüleri Selçuk Üniversitesi Tıp Fakültesi Hastanesi Radyoloji bölümünden alınmıştır. Ön işlem aşamasında MR görüntülerine histogram eşitleme ve medyan filtreleme uygulanmıştır. Özellik çıkarımı aşamasında sagital MR görüntülerine aktif şekil modelleme tekniği uygulanarak ilk özellik vektörü elde edilmiştir. Aksiyal MR görüntülerinde spinal kanal bölgesinde, spinal kanal ve lateral kanalın biçimsel ölçümleri manuel olarak yapılarak ikinci özellik vektörü elde edilmiştir. Ayrıca, California Üniversitesi Uluslararası Irvine Makine Öğrenme Veritabanından (UCI) alınan bel bölgesine ait vertebral veri kümesi de ayrı bir özellik vektörü olarak sınıflandırma aşamasında kullanılmıştır. Özellik azaltımı aşamasında F-Skor Tabanlı Özellik Seçme (FSTÖS) ve Korelasyon Tabanlı Özellik Seçme (KTÖS) yöntemleri uygulanarak ağırlıklandırılmış verilerden iyi özellikte olanlar seçilmiştir. Özellik seçimi yapılan verilere İkili Bulanık C-Ortalama tabanlı veri ağırlıklandırma ve bu tez çalışmasında geliştirilen Ortalama Kayma kümeleme tabanlı veri ağırlıklandırma işlemleri uygulanmıştır. Çalışmanın son aşamasında ise elde edilen veri kümelerinin sınıflandırılması işlemi yapılmıştır. Bu aşamada Destek Vektörü Makineleri (DVM), Çok Katmanlı Perseptron (MLP), LVQ sinir ağları (LVQ-NN), Radyal Tabanlı Fonksiyon Sinir Ağları (RTFA), k-en yakın komşu (K-NN) sınıflandırma algoritmaları uygulanmış ve sonuçlar ayrı ayrı kaydedilmiştir. Sınıflandırma başarısına ait sonuçlar tezin ilgili bölümünde sunulmuştur. | en_US |
| dc.description.abstract | Backache is one of the most important health problems of the modernized societies. It is observed with the most frequency and is one of the most important health problems encountered at least by 80% of people in life causing functional deficiencies in the muscle and skeleton system. It also affects working people at a further level. It causes losses in labor force and in wages especially in developed countries. These countries experience million dollars of financial losses. In this study, a Computer-Assisted Diagnosis System (CADS) is presented to help the radiologists, specialists and doctors. The diseases such as spinal disk herniation, degenerative disk, slipped disk (spondilolysthesis), central stenosis, lateral stenosis, ligament facet trophy are diagnosed with this system. The stages of the system may be listed as the pre-processing of the images, feature extraction, feature reduction by data weighting, and classification. The axial and sagittal used MR images that were obtained from Selçuk University, Faculty of Medicine Hospital Radiology Department. The MR imaging histogram equalization and median filtering were applied in the pre-processing stage. In the feature extraction stage, the feature of the waist area were obtained by using the Active Shape Modelling Technique. Axial MR imaging received formal measurements and the dataset of spinal channel were recorded. In addition, the vertebral dataset of the waist area from the International UCI Database was used in the classification stage as a separate feature vector. In the feature reduction stage, the FBFS (F-Score Based Feature Selection) and CBFS (Correlation Based Feature Selection) methods were used, and the better ones among the weighted data were selected. The pairwise Fuzzy C-Means-based data weighting techniques and the Mean Shift Set-based data weighting technique, which was developed in the process of this study, were applied to the data selected. In the latest stage of the study, the datasets obtained were classified. In this stage, the Support Vector Machines (SVM), Multi-Layer Perceptron (MLP), Learning Vector Quantization (LVQ), Radial Basis Function (RBF), K-Nearest Neighbor (K-NN) classification techniques were used and the results were recorded separately. The results of the classification accuracy are given in the relevant section of the thesis. | en_US |
| dc.identifier.citation | Ünal, Y. (2015). Makine öğrenmesi yöntemleriyle bel bölgesi rahatsızlıklarının tanısı. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/11106 | |
| 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 | Bel bölgesi rahatsızlıkları | en_US |
| dc.subject | Bilgisayar destekli teşhis sistemleri | en_US |
| dc.subject | Lomber MR | en_US |
| dc.subject | Makine öğrenmesi | en_US |
| dc.subject | Computer aided diagnosis systems | en_US |
| dc.subject | Data weigting | en_US |
| dc.subject | Lumbar disc disease | en_US |
| dc.subject | Lumbar MR | en_US |
| dc.subject | Machine learning | en_US |
| dc.title | Makine öğrenmesi yöntemleriyle bel bölgesi rahatsızlıklarının tanısı | en_US |
| dc.title.alternative | Diagnosis of lumbar disease by using machine learning techniques | en_US |
| dc.type | Doctoral Thesis | en_US |
