Derin öğrenme yaklaşımı ile malaria (sıtma) hastalığı görüntülerinin sınıflandırılması
Classification of malaria disease images using deep learning approach
- Tez No: 613413
- Danışmanlar: PROF. DR. ŞAKİR TAŞDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
Günümüzde bilişim temelli uygulamalar, teknolojideki gelişmelerle beraber değişik disiplinlerde artmaktadır. Bu alanlardan birisi de tıptır. Yapay zeka ve makine öğrenmesi gibi teknikler tıbbi görüntülerin analizi ve sınıflandırılması için en yaygın kullanılan yöntemlerdir. Bu teknikleri kullanarak bir model oluşturmak için, öncelikle analiz edilecek özellik vektörlerinin belirlenmesi gerekmektedir. Ancak bu analiz süreçleri uzmanlık isteyen ve uzun zaman alan uygulamalardır. Bu noktada günümüzde oldukça popüler durumda olan derin öğrenme metotları kullanılarak hastalık teşhis ve tespiti çok hızlı ve kolay bir şekilde yapılabilmektedir. Uzun yıllar devam eden çalışmalar sayesinde çok sayıda derin öğrenme algoritmaları geliştirilmiştir. Bu çalışmada, kan hücrelerine ait görüntüler derin öğrenme yaklaşımı ile parazitli ve parazitsiz olarak sınıflandırılmıştır. Böylece malarya (sıtma) hastalığını tespit eden CNN tabanlı RAN modeli ile bilgisayar destekli (karar destek sistemi) bir uygulama geliştirilmiştir. Tez çalışmasında, 27,558 adet Malarya (sıtma) hastalığına ait parazitli ve parazitsiz kan örneklerini içeren smear görüntüleri veri seti kullanılmıştır. Çalışma, CNN algoritmalarından olan ve sıtma hastalık teşhisi için kullanıldığı taramalarda görülmeyen RAN modeli ile geliştirilmiştir. Ayrıca AN, VGG16, ResNet50, InceptionV3, AlexNet ve SVM modelleri ile de sonuçlar alınmıştır. RAN ve diğer modeller ile elde edilen sınıflama başarıları analiz edilmiştir. Sonuçlar istatistiksel olarak kıyaslanmış ve performans karşılaştırılması yapılmıştır. Çalışma sonucunda, RAN modeli kullanılarak oluşturulan derin öğrenme yaklaşımında %95.79 görüntü sınıflandırma doğruluğuna ulaşıldığı ve yüksek başarı oranını elde ettiği görülmektedir. Sonuç olarak, kan hücrelerine ait görüntülerin sınıflandırılması için, otomatik olarak, hızlı ve doğru bir şekilde çalışan derin öğrenme yaklaşımı geliştirilmiş ve karşılaştırmalı ve başarılı şekilde uygulanarak sonuçlar alınmıştır.
Özet (Çeviri)
Today, information-based applications are increasing in different disciplines together with the developments in technology. One of these areas is medicine. Techniques such as artificial intelligence and machine learning are the most commonly used methods for the analysis and classification of medical images. To create a model using these techniques, first of all, feature vectors to be analyzed must be determined. However, these analysis processes are requiring expertice and long-time applications. At this point, the diagnosis and detection of the disease can be done very quickly and easily by using deep learning methods which are very popular today. Numerous deep learning algorithms have been developed through many years of studies. In this study, smear cell images were classified as infected and uninfected with a deep learning approach. Thus, a computer-aided application (decision support system) was developed with the CNN based RAN model that detects malaria disease. In the thesis, smear images dataset containing infected and uninfected blood samples of 27,558 malaria diseases were used. The study was developed with the RAN model, which is one of the CNN algorithms and is not seen in the literature for the diagnosis of malaria disease. Also, AN, VGG16, ResNet50, Inception V3, AlexNet and SVM models were used and results obtained. Classification successes obtained with RAN and other models were analyzed. The results were compared statistically and performance was compared. As a result of the study, it is seen that 95.79% image classification accuracy is achieved and success rate is achieved in the deep learning approach using RAN model. As a result, in order to classify the images of blood cells, a deep learning approach which works automatically, quickly and accurately has been developed. Comparative and successful implementation was achieved.
Benzer Tezler
- Derin öğrenme yaklaşımı ile fındık meyvesinin sınıflandırılması
Classification of hazelnut fruit with a deep learning approach
ENGİN GÜNEŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. EYÜP EMRE ÜLKÜ
DOÇ. DR. KAZIM YILDIZ
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Derin öğrenme yaklaşımı ile sağlam ve çürük elmaların sınıflandırılması
Classification of healthy and defective apples with deep learning approach
RAMAZAN DURSUN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH GÖKÇE
- Derin öğrenme yaklaşımı ile RFID tabanlı 2 boyutlu konum belirleme uygulaması
RFID based 2-d localization with deep learning
ARİFE MERVE İŞLEYİCİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN OKTAY ALTUN
- Derin öğrenme yaklaşımı ile pulmoner nodül karar destek sistemi
Pulmonary nodule decision support system with deep learning approach
HİLAL TİRYAKİ
Yüksek Lisans
Türkçe
2020
BiyoistatistikKaradeniz Teknik ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURÇİN KURT