Yapay sinir ağları ile retinada hastalık teşhisi
Automatic recognition of retinopathy diseases by using neural network
- Tez No: 234064
- Danışmanlar: PROF. DR. BEKİR KARLIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2008
- Dil: Türkçe
- Üniversite: Haliç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, beş tip retina hastalığı ve normal retinanın tanınması ile ilgili çalışılmıştır. Beş farklı retina hastalığının isimleri; Diyabetik Retinopati, Hipertansif Retinopati, Makula Dejenerasyonu, Alt Ven Dal Tıkanıklığı, Vitre İçi Hemoraji ve normal retina. Retinopati hastalıkları otomatik olarak tanımak için dalgacık temelli yapay sinir ağı mimarisi kullanılmıştır. Bu süreçte retina görüntüleri ön işleme tabi tutulmuş ve yeniden boyutlandırmıştır. Daha sonra sınıflandırma yapılmadan önce öznitelik vektörü çıkarılmıştır. Eğitim için toplam 30 veri kümesi kullanılmıştır. Çok katmanlı perceptron (Multi Layer Perceptron ? MLP)13 giriş, 8 gizli ve 6 çıkış katmanından oluşur (13:8:6).Geliştirilen metodun performansının çok yüksek olduğu test edilmiştir. Beş retinopati hastası için tanıma oranları sırasıyla %50, %70, %83, %90, %93 ve %95şeklinde bulunmuştur.
Özet (Çeviri)
In this study, recognition of five types of retina disorders and normal retina has been studied. The names of these five different Retinopathies are: Diabetic Retinopathy, Hypertensive retinopathy, Macular Degeneration, Vein Branch Oclusion, Vitreus hemorrhage, and normal retina. A wavelet based neural network architecture has been used to diagnose retinopathy automatically. In the process, the retina images were pre-processed and resized. Later, feature extraction has been done before applying into classifier. Total 30 data set has been used for training.Multi Layer Perceptron (MLP) is like 13:8:6, which means 13 neurons of input layer, 8 neurons of hidden layer, and 6 neurons of output layer.The performance of proposed method has been found very high. The recognition rates were found %50, %70, %83, %90, %93 and %95 for testing five retinopathy cases respectively.
Benzer Tezler
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Implementation of deep learning based approaches in the diagnosis of diabetes and diabetic retinopathy
Diyabet ve diyabetik retinopati teşhisinde derin öğrenmeye dayalı yaklaşımların uygulanması
ÖZGE NUR ERGÜN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMZA OSMAN İLHAN
- Retina damar görüntülerinde tipik noktaların bulanık rbf modeliyle çıkarsanması
Vascular landmark detection in retinal images using fuzzy rbf
CEMRE CANDEMİR
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MUHAMMED GÖKHAN CİNSDİKİCİ
- U-net architecture optimization for optic disc segmentation in retinal images
Retina görüntülerinde optik disk bölütleme için U-net mimarisi optimizasyonu
ZAFER ERDOĞAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Konvolüsyonel yapay sinir ağları ve görüntü işleme teknikleri ile biyomedikal görüntülerden diyabetik retinopati teşhisi
Diabetic retinopathy diagnosis using convolutional artificial neural networks and image processing techniques
ALAEDDİN TÜRKMEN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT HÜSNÜ SAZLI