Mikroskopik görüntüler üzerinde derin öğrenme algoritmaları kullanarak hastalıklı hücrelerin otomatik tanımlanması
Automated identification of diseased cells from microscopic images using deep learning algorithms
- Tez No: 493838
- Danışmanlar: YRD. DOÇ. DR. ALİ OSMAN ÇIBIKDİKEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- 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
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF. DR. MUSTAFA ERSEL KAMAŞAK
- Breast cancer diagnosis in histopathological images using autoencoder-enhanced convolutional neural network
Histopatolojik görüntülerde meme kanseri teşhisi için otokodlayıcı ile geliştirilmiş evrişimsel sinir ağı kullanımı
İSMAİL İÇME
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- 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
2023
PatolojiDokuz Eylül ÜniversitesiMoleküler Patoloji Ana Bilim Dalı
PROF. DR. ERDENER ÖZER
- Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması
Classification of ovarian follicles with deep learning
ÖZKAN İNİK
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ÜLKER