Geri Dön

Tıbbi görüntü veri setlerinde matlab ile büyük veri teknikleri uygulaması

Application of big data techniques for medical images datasets with matlab

  1. Tez No: 599778
  2. Yazar: EISSA FAISAL ALI AL-ZABIDI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ URAZ YAVANOĞLU
  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: 2019
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 80

Özet

Son yıllarda tıbbi görüntüler, hastalık teşhisi, tıbbi araştırma ve eğitimde önemli bir rol oynamaktadır. Günümüzde teknolojinin gelişmesiyle tıbbi görüntü çeşitleri de artmıştır. Bu artan görüntülerin geleneksel yöntemlerle etkin ve verimli bir şekilde depolanması, aranması, paylaşımı ve analiz edilmesi için de zorluklar ortaya çıkmıştır. Bu çalışmada, MATLAB ile Hadoop MapReduce kullanarak akciğer nodüllerinin iyi huylu ya da kötü huylu olup olmadığının sınıflandırılması için Bilgisayar Destekli Tanı (Computer Aided Diagnosis - CAD) sistemini önerdik. Sistem, radyologlar tarafından Bilgisayarlı Tomografi (Computed Tomography - CT) görüntü veri setinden benzer nodüllerin görüntülerini kullanıcıya aktarmaktadır. Tıbbi görüntü veri seti, Hadoop'un Dağıtılmış Dosya Sistemi'nde (Hadoop Distributed File System - HDFS) saklanıp, görüntülere MATLAB aracılığıyla erişim sağlanmaktadır. MapReduce kullanılarak çoklu özniteliklerin paralel olarak elde edilmesi için İçerik-tabanlı Görüntü Erişimi (Content-based Image Retrieval - CBIR) yaklaşımı kullanılmıştır. Şekil, doku ve radyolog sayısal görüntü (Radiologist Quantified Image - RQI) öznitelikleri dâhil olmak üzere en uygun 26 öznitelik kümesi tanımlanmıştır. Bu öznitelikleri değerlendirmek için farklı SVM ve KNN sınıflandırıcıları kullandık. Deney sonuçlarımız, MATLAB'ta yerel MapReduce yönteminin, Hadoop küme MapReduce yönteminden ~ 5 kat daha hızlı olduğunu göstermektedir. SVM, sınıflandırıcılara göre %95.27 doğruluk (accuracy), %96.32 anma (recall), %94.76 kesinlik (precision) ve %95.53 F-skoru oranıyla daha başarılı sonuçlar elde edilmiştir.

Özet (Çeviri)

In the recent years, medical images played an important role in disease diagnosis, medical research and education. Today with the advances in technology in medical image capture devices and the huge increase in the number of medical images, challenges have emerged to retrieve and store relevant images to the user query efficiently and accurately. Furthermore, it is impossible to maintain and handle with this image using the conventional method. In this work, we presented a Computer-Aided Diagnosis (CAD) system for classifying lung nodules as either benign or malignant by using Hadoop MapReduce with MATLAB. The system retrieves images of similar nodules from a big publicly available Computed Tomography (CT) images dataset annotated by radiologists. They are stored in Hadoop Distributed File System (HDFS) and accessed via the MATLAB. A content-based image retrieval (CBIR) approach was used in order to extract multiple features parallely by using the MapReduce. An optimal set of 26 features was defined, including shape, texture, and Radiologist Quantified Image (RQI) features. We used different SVM and KNN classifiers to evaluate these features. Our experimental results show that the Local MapReduce method is ~5 times faster than Hadoop cluster MapReduce method in MATLAB. The proposed method improves the retrieval result to 95.27%, 96.32%, 94.76% and 95.53% in accuracy, recall, precision and F-score respectively using the SVM classifier.

Benzer Tezler

  1. Akışkan akışlarının dinamik mod ayrışımı

    Dynamic mode decomposition of fluid flows

    MUSTAFA HİCRET YAMAN

    Doktora

    Türkçe

    Türkçe

    2023

    MatematikMuğla Sıtkı Koçman Üniversitesi

    Matematik Ana Bilim Dalı

    DOÇ. DR. GAMZE YÜKSEL

  2. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  3. Medical image compression approaches based on run-length, chain code and EZW encoding

    Katar uzunluğu, zincir kod ve EZW kodlamaları tabanlı tıbbi görüntü sıkıştırma yaklaşımları

    ERDOĞAN ALDEMİR

    Doktora

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY TOHUMOĞLU

  4. H&E boyalı histopatolojik görüntülerde çekirdek segmentasyonu için derin öğrenmeye dayalı yeni bir mimarinin geliştirilmesi

    Development of a new deep learning architecture for nuclear segmentation in H&E histopathological images

    MOHAMED TRAORE

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. REFİK SAMET

  5. Dengesiz veri setlerinde sınıflandırma problemlerinin çözümünde melez yöntem uygulaması

    Hybrid method application to solve classification problems in imbalanced datasets

    MESTAN ŞAHİN PİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Endüstri ve Endüstri MühendisliğiBursa Uludağ Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DUYGU YILMAZ EROĞLU