Özgökçe, MesutAkıncı, Muhammed Bilal2025-05-102025-05-102021https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=RjZwH00oMG4iNa5Sgvlgg2Qadz7pDj682GUjzszaVaNkJQ-1r4WSkk-vooUe9619https://hdl.handle.net/20.500.14720/21938Akciğer tomografilerinde saptanan nodüllerin derin öğrenme yöntemleri kullanılarak malign-benign olarak ayrımını yapmayı amaçlıyoruz. Materyal ve metod: Van yüzüncüyıl üniversitesi radyoloji anabilim dalı arşivinde kayıtlı olan , 2015-2020 yılları arasında bilgisayarlı tomografi çekilmiş ve akciğer nodülü saptanmış hastaları retrospektif olarak taradık. Taradığımız hastalar içerisinden histopatolojik olarak benign tanısı almış yahut en az iki yıllık takiplerinde boyut artışı izlenmeyen 68 hastayı benign grubuna, histopatolojik olarak malign tanısı almış yahut takiplerinde boyut artışı gösteren 29 hastayı malign grubuna dahil ettik . Ayrıca normal hastalardan oluşan 67 kişilik üçüncü bir grup oluşturduk. Bu gruplardaki hastaların tomografi kesitlerinden normal grubunda 343, benign grubunda 202 ve malign grubunda 199 görüntü içeren veri setlerimizi hazırladık. Oluşturduğumuz üç sınıflı veri setinin %80'lik kısmı ile derin sinir ağlarını eğittik ve %20'lik kısmı ile test ettik. Ardından özellik çıkarımı yapıp makine öğrenmesi algoritmalarından olan sınıflandırıcılar ile tekrardan sonuçları değerlendirip konfüzyon matriks analizlerini ve doğruluk oranlarını karşılaştırdık. Bulgular: Derin sinir ağlarının eğitiminden sonra denediğimiz modeller içerisinde en yüksek doğruluk oranına %80 ile AlexNET modelinde ulaştık. Özellik çıkarımı ve sınıflandırıcılar ile yaptığımız ikinci aşama sonuçlarımızda en yüksek doğruluk oranına VGG19 modelinde SVM sınıflandırıcısı ile %93.5 olarak ulaştık ve bu kombinasyonda sensitivite ve spesifite değerlerimizi sırasıyla 0.90099, 0.964945 olarak hesapladık. Ayrıca tüm modeller içerisinde SVM sınıflandırıcısını kullanılmasıyla doğruluk oranlarında, sensitivite ve spesifite değerlerinde kayda değer bir şekilde artışlar dikkati çekmiştir. Sonuç: Akciğer nodüllerinde benign-malign ayrımının derin öğrenme kullanılarak yapılması radyoloji pratiğinde bize erken teşhis noktasında önemli avantajlar sağlayabilir. Çalışmamızda elde ettiğimiz veriler bunu destekler nitelikte olup umut vericidir.We aim to distinguish between malign and benign nodules detected in lung tomography using deep learning methods. Materials and methods: We retrospectively scanned patients who were registered in the archives of the Van Yüzüncüyıl University Department of Radiology, who underwent computed tomography between 2015 and 2020 and had lung nodules. Among the patients we screened, 68 patients who were diagnosed histopathologically as benign or did not increase in size in at least two years of follow-up were included in the benign group, and 29 patients who were diagnosed with malignant histopathologically or showed an increase in size during their follow-up to the malign group. We also formed a third group of 67 people consisting of normal patients. From the CT scans of these groups, we prepared our data sets containing 343 images in the normal group, 202 images in the benign group and 199 images in the malignant group. We trained deep neural networks with 80% of the three-class data set we created and tested it with 20%. Then, we extracted features and evaluated the results with classifiers, which are one of the machine learning algorithms, and compared the confusion matrix analysis and accuracy rates. Results: After the training of deep neural networks, we reached the highest accuracy rate with 80% in the AlexNET model among the models we tried. In our second stage results with feature extraction and classifiers, we reached the highest accuracy rate as 93.5% with SVM classifier in VGG19 model, and we calculated our sensitivity and specificity values as 0.90099 and 0.964945, respectively, in this combination. In addition, the use of SVM classifier among all models significantly increased the accuracy rates, sensitivity and specificity values. Conclusion: Differentiation of benign-malignant lung nodules using deep learning can provide important advantages in radiology practice in terms of early diagnosis. The data we obtained in our study supports this and gives us hope.trRadyoloji ve Nükleer TıpAkciğer hastalıklarıDerin öğrenmeSoliter pulmoner nodülTeşhisTeşhis teknikleri ve prosedürleriTeşhis-ayırıcıTomografi-x ışınlı-bilgisayarlıRadiology and Nuclear MedicineLung diseasesDeep learningSolitary pulmonary noduleDiagnosisDiagnostic techniques and proceduresDiagnosis-differentialTomography-x ray-computedSpecialization in Medicine Thesis72709795