Mikroşerit anten tabanlı görüntülemeye dayanan beyin inme tiplerinin sınıflandırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: FAROQ HAMOOD MAHMOOD MOHAMMED
Asıl Danışman (Eş Danışmanlı Tezler İçin): Miraç Dilruba Geyikoğlu
Eş Danışman: Aslı Nur Polat
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Beynin işlevlerini etkili bir şekilde yerine getirebilmesi için sürekli bir kan akışına ihtiyacı vardır. Beyne giden kan akışının kısa süreli kesintiye uğraması erken tespit edilemezse ölümcül olabilen bir beyin inmesine yol açabilmektedir. Bu çalışma, inme tipi tespiti ve sınıflandırması için mikroşerit antenlere dayalı bir mikrodalga görüntüleme sistemi ve beyin inme tiplerinin yapay zekâ tabanlı tespitini önermektedir. Yöntem: Değişen dielektrik özelliklere sahip gerçekçi beyin dokusunu simüle etmek için CST Studio Suite kullanılarak voksel tabanlı insan kafası fantomu oluşturulmuştur. Önerilen sistem, iskemik ve hemorajik beyin inmelerini ayırt etmek için beyin dokusunun dielektrik özelliklerindeki farklılıklardan yararlanmaktadır. X band aralığında çalışacak şekilde bir anten elemanı oluşturulmuş ve toplamda 6 anten elemanı kullanılarak görüntüleme sistemi tasarlanmıştır. Anten elemanları beyinden 10 mm uzaklıkta mesafeye yerleştirilmiştir. Simülasyonlar üç farklı senaryo için ele alınmıştır. Bu senaryolar sırasıyla sağlıklı beyin, iskemik inme ve hemorajik inmeyi kapsamaktadır. Üç farklı senaryodan toplam 702 örneği içeren S-parametre verileri üretilmiştir. Bu örnekler 13 farklı kişinin voksel tabanlı fantom modellerinden elde edilmiş ve çeşitli makine öğrenmesi algoritmaları kullanılarak analiz edilmiştir. Bulgular: Az sayıda anten elemanı kullanılarak oluşturmuş olan noninvaziv görüntüleme sisteminden elde edilen veriler, Rastgele orman algoritması ile %97,29'luk doğruluğa ulaşarak, beyin inme teşhisi için olası potansiyelini ortaya çıkarmıştır. Rastgele orman algortimasına ek olarak hem XGBoost hem de LightGBM güçlü performans göstermiştir. Sonuç: Elde edilen verilere göre makine öğrenmesi teknikleriyle desteklenen mikrodalga görüntüleme sisteminin farklı beyin inme tiplerini yüksek doğrulukla ayırt edebildiği tespit edilmiştir. Çok sınıflı beyin modellerinin kullanımı ve gerçek biyoelektriksel özelliklerin simülasyonu da sistemin güvenilirliğini artırmaya katkıda bulunmuştur. Anahtar Kelimeler: Mikrodalga görüntüleme, Mikroşerit anten, Beyin inme, Makine öğrenmesi