Yokuş, AdemYıldız, Ramazan2025-05-102025-05-102024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=1pwTzRXnomYf6jwqVORfUUWROOWt7YOfKLn4ekDwy5zwShsLFPLj89cfha92xKcmhttps://hdl.handle.net/20.500.14720/24608Bu çalışmada, özellikle kronik küçük damar hastalığı sonucu oluşan periventriküler beyaz cevher hiperintensitelerinin(BCH) yükünü belirten Fazekas skalasının MRG'de derin öğrenme tekniklerini kullanılarak sınıflandırılması amaçlanmıştır. Gereç Yöntem: Aralık 2023- Nisan 2024 tarihleri arasında Van Yüzüncü Yıl Üniversitesi Dursun Odabaşı Tıp Merkezi Radyoloji Kliniği'nde beyin MRG çekilen ve aksiyel yağ baskılı FLAİR AG sekanslarda, görüntüleri normal olan ve BCH saptanan 18-96 yaş aralığındaki 590'ı erkek ve 676'sı kadın olmak üzere toplam 1266 hasta retrospektif olarak taranmıştır. Görüntüler Fazekas skalasına göre 4 sınıfa ayrıldı. Sınıflandırma için derin öğrenme modellerinden EfficientNet üzerinde özellik çıkarımı gerçekleştirip daha sonra SVM, KNN ve XGBoostClassifier sınıflandırıcıları ile CV ve LOOCV çaprazlama teknikleriyle sınıflandırıp performanslarını karşılaştırıldı Bulgular: EfficientNet üzerinde özellik çıkarımı gerçekleştirildi. Çıkarılan özellikler içerisinden 100 adet özellik seçimi PCA ile yapılmış ve başlangıçta 3 adet sınıflandırma algoritması üzerinde çalıştırılarak sonuçlar elde edilmiştir. En iyi sonuç yaklaşık %95 gibi yüksek bir oranla EfficientNet B1 modeli üzerinden elde edilen özelikler ile XGBoostClassifier sınıflandırıcıdan elde edildi. Ayrıca yine çıkarılan özelikler üzerinde CV ve LOOCV çaprazlama teknikleri kullanılarak 8 sınıflandırma algoritması ile yine performans testleri yapılmıştır. Bu performans testlerinde yine Efficient B1 modelinden elde edilen özellikler üzerinde %95 lik bir doğruluk oranı sağlanmıştır. Sonuç: Ciddi sağlık problemlerine neden olabilecek BCH'lerinin daha hızlı ve kolay tespit edilmesi için derin öğrenme mimarileriyle değerledirilmesi teşhis kolaylılığı sağlayarak radyoloji hekiminin iş yükünü önemli ölçüde azaltabilir.The aim of this study was to classify the Fazekas scale, which indicates the burden of periventricular white matter hyperintensities (WMH), especially those caused by chronic small vessel disease, using deep learning techniques on MRI. Material and Methods: A total of 1266 patients (590 males and 676 females, aged 18-96 years) who underwent brain MRI at Van Yüzüncü Yıl University Dursun Odabaşı Medical Center Radiology Clinic between December 2023 and April 2024 and whose images were normal and BCH was detected in axial fat-suppressed FLAIR WI sequences were retrospectively reviewed. Images were classified into 4 classes according to Fazekas scale. For classification, we performed feature extraction on EfficientNet, one of the deep learning models, and then classified with SVM, KNN and XGBoostClassifier classifiers with CV and LOOCV crossover techniques and compared their performances. Results: Feature extraction was performed on EfficientNet. Among the extracted features, 100 features were selected with PCA and the results were obtained by running 3 classification algorithms initially. The best result was obtained from the XGBoostClassifier classifier with the features extracted from the EfficientNet B1 model with a high rate of approximately 95%. In addition, performance tests were also performed with 8 classification algorithms using CV and LOOCV crossover techniques on the extracted features. In these performance tests, an accuracy rate of 95% was achieved on the features obtained from the Efficient B1 model. Conclusion: Evaluating deep learning architectures for faster and easier detection of WMHs that can cause serious health problems can significantly reduce the workload of radiology physicians by providing ease of diagnosis.trRadyoloji ve Nükleer TıpRadiology and Nuclear MedicineSpecialization in Medicine Thesis80875879