Nonlinear classification methods for MRI
MR görüntülerinin lineer olmayan sınıflandırma teknikleri
- Tez No: 266169
- Danışmanlar: YRD. DOÇ. DR. TURGAY İBRİKÇİ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Science and Technology, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yapay sinir ağları, Kümeleme, Beyin, Görüntü işleme, Tıp, Neural Networks, Clustering, Brain, Image Processing
- Yıl: 2010
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
MR görüntüleri gibi beyin araştırma teknikleri üzerinde bugünlerde yoğun araştırmalar yapılıyor. Fakat, bu görüntüler çok kompleks olmalarından dolayı işlenmesi önemli bir problemdir. Lineer olmayan sınıflama metotları ve özelde sinir ağları tarafından incelenen beyin MR ları tümör teşhisinde önemli bir materyal olarak gösterilmesine karşın zaman ve emek kaybına yol açabiliyor.Bu tez, MR görüntüleri sınıflandırmasında neural network teknolojisinin kullanımını analiz ediyor. Sınıflandırma tekniklerinden ?K-nearest neighbor?, ?Parzen?, ?Linear perceptron?, ?Support vector?, ?Construct binary decision tree? sınıflandırıcılar kullanılarak çeşitli deneyler yapıldı ve sonuçlar karşılaştırmalı olarak değerlendirildi. Değişen parametrelere karşı duyarlılıkları araştırıldı.
Özet (Çeviri)
Much attention is currently focused on newest brain examination techniques, brain MRI. However, segmentation of magnetic rezonance images is a challenging problem due to their complexity. Enhanced brain MRIs acquired by nonlinear classification methods, especially by neural networks have been shown to be very sensitive in the detection of brain tumors, but are also time-consuming and cause waste of medical resources.This thesis therefore, examines the usage of neural networks detection technology on MR image classification. A series of experiments was conducted on classification of images by K-nearest neighbor Classifier, Parzen Classifier, Linear perceptron Classifier, Support vector Classifier, Construct binary decision tree classifier and the results compared for performance evaluation. After comparison with the algorithms the experimental results showed success of each algorithms related to changing parameters.
Benzer Tezler
- MRS verileri kullanılarak makine öğrenmesi yöntemleri ile MS hastalığının teşhis ve sınıflandırılması
Diagnosis and classification of MS disease with machine learning methods using MRS data
ZİYA EKŞİ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL ÖZ
- Realistic microwave breast models through T1-weighted 3-D MRI data
T1-ağırlıklı 3-boyutlu MRI datası kullanılarak gerçekçi mikrodalga meme modelleri geliştirilmesi
AHMET HAKAN TUNÇAY
Yüksek Lisans
İngilizce
2013
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Göğüs kanseri tespiti için yüzey empedansı tabanlı mikrodalga görüntüleme yöntemi
Surface impedance based microwave imaging method for breast cancer screening
ONAN GÜREN
Doktora
Türkçe
2014
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. LALE ERGENE
PROF. DR. İBRAHİM AKDUMAN
- Improving classification accuracy of quickbird imagery
Quıckbırd görüntülerin sınıflandırma doğruluğunun iyileştirilmesi
AYŞE ÖZTÜRK
Yüksek Lisans
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MÜFİT ÇETİN
- Comperative evaluation of combined artificial intelligence and mathematical methods for defect classification
Hata sınıflandırmasında yapay zeka ve matematiksel yöntemlerin karşılaştırılmalı değerlendirilmesi
RAHMİ FIÇICI
Yüksek Lisans
İngilizce
1995
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiY.DOÇ.DR. FİKRET GÜRGEN