Gastroid mantar türlerinin makroskobik ve mikroskobik görüntülerikullanılarak yapay zeka destekli sınıflandırma modelinin geliştirilmesi
Development of an artificial intelligence-based classification model using macroscopic and microscopic images of gastroid fungi
- Tez No: 1016357
- Danışmanlar: PROF. DR. ILGAZ AKATA, DOÇ. DR. FATİH EKİNCİ
- Tez Türü: Yüksek Lisans
- Konular: Biyoloji, Biology
- Anahtar Kelimeler: Derin öğrenme, Yapay zeka, Deep learning, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoloji Ana Bilim Dalı
- Bilim Dalı: Botanik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmasında, gastroid mantar türlerinin makroskobik ve mikroskobik görüntüleri kullanılarak yapay zekâ destekli bir sınıflandırma modelinin geliştirilmesi amaçlanmıştır. Çalışma kapsamında, gastroid morfoloji gösteren farklı taksonomik gruplara ait açık erişimli makroskobik görüntülerden 6385 örnek içeren bir veri seti oluşturulmuş; ayrıca morfolojik ve nrITS rDNA dizilerine dayalı moleküler tanımlamaları doğrulanan fungaryum örneklerinden elde edilen spor SEM görüntüleri ile 2560 örnek içeren veri seti hazırlanmıştır. Makroskobik veri seti diğer gastroid mantarlar, Lycoperdoid mantarlar, yer yıldızları, Phallaceae ve Sclerodermataceae grupları altında; mikroskobik veri seti ise Geastraceae, Lycoperdaceae ve Sclerodermataceae kapsamında değerlendirilmiştir. Oluşturulan veri setleri üzerinde Evrişimsel sinir ağları (CNN) ve transformer tabanlı derin öğrenme mimarileri, ensemble yaklaşımlar ve açıklanabilir yapay zekâ yöntemleri kullanılarak tür düzeyinde sınıflandırma modelleri geliştirilmiştir. Model performansları doğruluk, kesinlik, duyarlılık, F1 skoru, AUC ve MCC gibi ölçütlerle karşılaştırılmıştır. Bulgular, makroskobik görüntülerde belirgin morfolojik karakterlerin, SEM görüntülerinde ise spor ornamentasyonu ve yüzey ultrastrüktürünün tür ayrımında güçlü ayırt edici sinyaller sunduğunu göstermiştir. Grad-CAM, LIME, Integrated Gradients ve Occlusion Sensitivity analizleri, geliştirilen modellerin biyolojik açıdan anlamlı yapılara odaklandığını ortaya koymuştur. Ayrıca Lycoperdaceae SEM görüntülerinde CNN güdümlü DeepONet yaklaşımıyla sürekli uzamsal aktivasyon alanları üretilmiştir. Sonuç olarak bu çalışma, gastroid mantar türlerinin makroskobik ve mikroskobik görüntüler üzerinden sınıflandırılması için klasik taksonomik yaklaşımları destekleyen, nesnel, yorumlanabilir ve ölçeklenebilir bir yapay zekâ modeli ortaya koymaktadır.
Özet (Çeviri)
In this study, it was aimed to develop an artificial intelligence-assisted classification model using macroscopic and microscopic images of gastroid mushroom species. Within the scope of the study, a dataset consisting of 6,385 samples was created from open-access macroscopic images belonging to different taxonomic groups exhibiting gastroid morphology. In addition, a dataset comprising 2,560 samples was prepared using scanning electron microscopy (SEM) images of spores obtained from fungarium specimens whose identifications were confirmed through morphological examination and molecular analyses based on nrITS rDNA sequences. The macroscopic dataset was evaluated under the groups of other gastroid fungi, lycoperdioid fungi, earthstars, Phallaceae and Sclerodermataceae, whereas the microscopic dataset included Geastraceae, Lycoperdaceae and Sclerodermataceae. Species-level classification models were developed on the constructed datasets using convolutional neural networks (CNNs), transformer-based deep learning architectures, ensemble approaches, and explainable artificial intelligence methods. Model performances were compared using metrics such as accuracy, precision, sensitivity, F1 score, AUC, and MCC. The findings demonstrated that distinct morphological features in macroscopic images, along with spore ornamentation and surface ultrastructure in SEM images, provide strong discriminatory signals for species identification. Grad-CAM, LIME, Integrated Gradients, and Occlusion Sensitivity analyses revealed that the developed models focused on biologically meaningful structures. Furthermore, a CNN-guided DeepONet approach was applied to Lycoperdaceae SEM images to generate continuous spatial activation fields. As a result, this study presents an objective, interpretable, and scalable artificial intelligence model that supports classical taxonomic approaches for the classification of gastroid mushroom species based on macroscopic and microscopic images.
Benzer Tezler
- Varis dışı akut gastroin testinal sistem kanamalarında mortalite ve morbiditeyi etkileyen faktörler
The factors effecting mortality and morbidity in acute nonvariceal upper gastrointestinal bleeding
MUSTAFA BAYDAR
Tıpta Uzmanlık
Türkçe
2003
Gastroenterolojiİnönü Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. BÜLENT YILDIRIM
- Ege Bölgesi'nde yayılış gösteren Gasteroid fungusların belirlenmesi
Determination of Gasteroid fungi distributed in Aegean Region
DENİZ ALTUNTAŞ
- Sıçanlarda nonsteroid antiinflamatuar ilaçla oluşan gastrid hasrlanmanın önlenmsinde farklı ajanların karşılaştırılması
Başlık çevirisi yok
SEZGİN AŞIK AKMAN
- Üst gastrointestinal sistem endoskopisi yapılmışolan hastalarda hepatit b ve hepatit c sıklığı
The prevalence of hepatitis b and c in patients with upper gastrointestinal endoscopy
GENCO GENÇDAL
Tıpta Uzmanlık
Türkçe
2008
GastroenterolojiSağlık Bakanlığıİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. NECATİ YENİCE