Risk estimation for intrauterine growth restriction using ultrasound indices and classifiers in emergenct cases
Acil vakalardaki ultrason verilerinin sınıflandırılması sonucu ıntrauterin büyüme geriliğinin risk analizi
- Tez No: 232629
- Danışmanlar: PROF. FİKRET GÜRGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Computer Engineering and Computer Science and Control, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2008
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Bu tezde yapılan çalışmanın temel amacı bebeklerdeki intrauterin büyüme kısıtlılığının hamileliğin erken safhalarında otomatik olarak tespit edilmesini sağlamaktır. Büyüme kısıtlılığın erken tespit edilmesinin zor olduğu kadar önemli olması araştırmacıları bu alana yöneltmiştir. Bu tez, acil servise gelen annelerin ultrasonlarından edinilen verilerin hızlı ve efektif bir şekilde sınıflandırılmaları sonucu intrauterin büyüme geriliği riskini düşürmektir. Günümüzde akıllı veri analizi sistemleri kullanımıyla anneye özgü, plasental ve cenine özgü verilerin edinilmesi doğrultusunda büyüme kısıtlılığınının olup olmadığı tespit edilerek gerçek zamanlı analiz ve teşhis imkanı sağlanmaktır. Bu çalışmada intrauterin büyüme kısıtlılığının önceden belirlenmesi için çeşitli makina öğrenmesi sitemleri kullanılmıştır. Önce, verinin boyutu manuel bir bir şekilde indirgenmiş ve sınıflandırma performansını artırdığı ispatlanan ölçeklendirme işlemi uygulanmıştır. Bu aşamadan sonra veriye onüç farklı sınıflandırma yöntemi uygulanarak sonuçlar karşılaştırılmıştır. Bu yöntemler temel olarak üç farklı grupta toplanabilirler. İlk grup Destek Vektör Makineleri (DVM), k-En Yakın Komşu (k- Nearest Negihbor ? k-NN) ve Lojistik Regresyon yöntemleri gibi tekil sınıflandırma yönetemleridir. İkinci grup yöntemler DVM ve k-NN sınıflandırma yöntemlerinde güven analizi yaparak düşük güvenli test verilerinin reddedilmesi sonucu daha yüksek sınıflandırma doğruluğu elde edilmesini amaçlamaktadır. Üçüncü grup deneyler ise ilk gruptaki üç sınflandırma yöntemlerinin değişik kombinasyonlarda birleşerek beraber veya sıralı bir şekilde sınıflandırma yapmalarına dayanmaktadır. Bu üç grup deneyler içinde sınıflandırma performansı sırasıyla en yüksek ikinci olmak üzere, üçüncü ve birinci sınıfladır. İkinci grup içinde ise DVM sınflandırması kullanan ve sınıflandırma güvenilirliği düşük vakaların reddedilmesi sonucu elde edilen sınıflandırma doğruluğu bütün testlerdeki en yüksek performası elde etmiştir.
Özet (Çeviri)
The main objective of this study is to provide automatic recognition of IUGR in the early stages of pregnancy by using noninvasive method. The difficulty faced in interpretation of IUGR in the early stages forced researchers to study about automatic detection of growth restriction. We aim to make fast and effective classification of ultrasound readings that are collected from emergency deliveries. Using intelligent data analysis techniques, computer programs could easily interpret maternal, placental and fetal measurements, predict presence or absence of growth restriction and provide real-time analysis and diagnosis. In this study, several machine learning techniques have been applied to IUGR dataset for classification using PI (Pulsality Index), RI (Resistancy Index) of UA (Umblical Artery), MCA (Middle Cerebral Artery) and DV (Ductus Venosus), and AFI (Amniotic Fluid Index) measurements. These measurements are taken from ultrasound readings from the mothers at emergency room. After data acquisition and scaling processes of the data, we applied 13 different classification algorithms. These 13 classifiers that have been used in this study can be divided into three groups. First group consists of single classifiers such as Support Vector Machines, k-Nearest Neighbors and Logistic Regression. In the second group, we tried to reject low confident test instances to achieve higher classification accuracy with higher confidence. Third group uses hybrid classifiers in order to benefit from several classifiers. Among these groups, performance of second group outperformed the third and lowest performance obtained from the first group. Within second group, SVM classification with rejection of low confident test samples results are shown to outperform competing classification results.
Benzer Tezler
- İntrauterin gelişim kısıtlılığı olan hastalarda serebroplasental oranın fetal iyilik halinin belirlenmesindeki etkisinin gösterilmesi
The prediction of perinatal outcome by cerebroplasental ratio in pregnancy with fetal growth restriction
HATİCE LAÇİN TUĞAN
Tıpta Uzmanlık
Türkçe
2019
Kadın Hastalıkları ve DoğumSakarya ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. SELÇUK ÖZDEN
DR. KORAY GÖK
- Measurement of electron transport chain activities in high risk pregnancy
Riskli gebeliklerdeki plasenta örneklerinde mitokondriyal elektron transport zinciri komplekslerinin aktivite ölçümü
MOJTABA BEYRAMZADEH
Doktora
İngilizce
2015
BiyokimyaHacettepe ÜniversitesiBiyokimya Ana Bilim Dalı
PROF. DR. FİLİZ AKBIYIK
DOÇ. DR. ZELİHA GÜNNUR DİKMEN
- İkili tarama testlerinin prenatal sonuçlara etkisi
The effect of dual screening tests on prenatal outcomes
ESRA ŞENER YILDIRIM
Tıpta Uzmanlık
Türkçe
2023
Kadın Hastalıkları ve DoğumErciyes ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. GÖKHAN AÇMAZ
- Çocukluk çağı primer hipertansiyonda genetik faktörlerin rolü
The role of genetic factors in childhood primary hypertension
YASEMİN ÖZDEMİR ŞAHAN
Tıpta Uzmanlık
Türkçe
2012
Çocuk Sağlığı ve HastalıklarıEge ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. SEVGİ MİR
- Gebelikte beslenmenin intrauterin büyümeye etkisi
The Effect of nutrition on intrauterine growth in pregnancy
IŞIL ONAT