Geri Dön

Mikroskopik görüntüler üzerinde derin öğrenme algoritmaları kullanarak hastalıklı hücrelerin otomatik tanımlanması

Automated identification of diseased cells from microscopic images using deep learning algorithms

  1. Tez No: 493838
  2. Yazar: MÜCAHİT BÜYÜKYILMAZ
  3. Danışmanlar: YRD. DOÇ. DR. ALİ OSMAN ÇIBIKDİKEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Necmettin Erbakan Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

Eimeria parazit türlerini otomatik olarak algılamak ve hastalıklı olup olmadığını tespit etmek amacıyla, Çok Katmanlı Sinir Ağı ve Konvolüsyonel Sinir Ağı derin öğrenme algoritması kullanılarak bir model mimarisi geliştirilmiştir. Modele girdi olarak tavuk ve tavşanlara ait Eimeria mikroskobik görüntüleri kullanılmıştır. Görüntülerin işlenmesinde OpenCV kütüphanesi'nden faydalanılmıştır. Keras ve Theano kütüphaneleri kullanılarak farklı modeller oluşturulmuş ve testler yapılmıştır. Oluşturulan modeller eğitilerek elde edilen sonuçların test edilebilmesi için, yüklenen mikroskobik görüntüler için sınıflandırma yapan bir web arayüzü geliştirilmiştir. Model sonucunda tavuk veri seti için %87.75 doğruluk oranıyla, tavşan veri seti için %78.42 doğruluk oranıyla hastalıklı hücreler sınıflandırılabilmektedir.

Özet (Çeviri)

A model architecture has been developed using the Multi-Layer Neural Network and the Convolutional Neural Network deep learning algorithm to automatically detect Eimeria parasite species and determine if they are diseased. Eimeria microscopic images of chickens and rabbits were used as model inputs. Images have been processed in the OpenCV library. Different models has been obtained using by Keras and Theano libraries. An application with web user interface has been developed that classifies the obtained model for the run and loaded the microscopic image. As a result of models, cell images can be classified with an accuracy of %87.75 for chicken dataset, %78.42 for rabbit dataset.

Benzer Tezler

  1. An innovative and accurate deep learning based HER2 scoring method HER2-unet

    HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım

    FARIBA DAMBAND KHAMENEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Nöroblastomların segmentasyon derin öğrenme algoritmaları kullanarak patolojik görüntü analizi ile MYCN durumu entegre sınıflandırması

    MYCN status integrated classification of neuroblastomas by pathological image analysis using segmentation deep learning algorithms

    SÜMEYYE EKMEKCİ

    Doktora

    Türkçe

    Türkçe

    2023

    PatolojiDokuz Eylül Üniversitesi

    Moleküler Patoloji Ana Bilim Dalı

    PROF. DR. ERDENER ÖZER

  3. Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması

    Classification of ovarian follicles with deep learning

    ÖZKAN İNİK

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ERKAN ÜLKER

  4. Yapay zekâ algoritmaları ile ameliyat sırasındaki mikroskop görüntüleri üzerinden derin öğrenme tekniği ile pediatrik posterior fossa (arka çukur) tümör tanımlama yapılması

    Pediatric posterior fossa tumor identification using artificial intelligence algorithms and deep learning techniques on intraoperative microscopic images

    AHMET KARAGÖZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    NöroşirürjiMarmara Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    DOÇ. DR. MUSTAFA SAKAR