Derin öğrenme tekniklerini kullanarak otomatik tüberküloz teşhisi
Automated diagnosis of tuberculosis using deep learning techniques
- Tez No: 643957
- Danışmanlar: DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ, DR. Seda SOĞUKPINAR KARAAĞAÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin Öğrenme, Evrişimli Sinir Ağı, Tüberküloz, Uzamsal Piramit Havuzlama, Convolutional Neural Network, Deep Learning, Tuberculosis, Spatial Pyramid Pooling
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Son yıllarda, makine öğrenimi tekniklerini kullanan otomatik teşhis, araştırmaların odak noktası olmuştur. Sınıflandırıcıların, belirli bir görevi eğitimli bir meslek kadar iyi yerine getirebilme yeteneği, birçok uygulamaya kapı açar. Mycobacterium Tuberculosis (TB), hastalığı hızlı bir şekilde teşhis edip tedavi edebilen zayıf sağlık sistemi altyapısı nedeniyle gelişmekte olan ülkelerin çoğunu rahatsız eden ölümcül bir hastalıktır. Dünya Sağlık Örgütü (WHO), yeni enfeksiyonlarda ve ölümlerde önemli azalma için 2030 ve 2035 yıllarını kilometre taşları olarak belirledi. WHO, TB'nin doğru bir şekilde teşhis edilmesini ve endemik olarak yok edilmesini yavaşlatan faktörleri iyi eğitimli profesyonellerin bulunmamasına ve yetersiz veya kırılgan halk sağlığı sistemlerine bağlamaktadır. Evrişimli sinir ağları (CNN'ler), bilgisayarlı görü alanında, yani görüntü tanıma ve algılama alanında dikkate değer bir başarı göstermektedir. Bu nedenle, CNN'nin radyoloji ile birleşen görüntü sınıflandırmasındaki başarısı, bu yöntemi potansiyel TB hastalarının Göğüs Röntgeni (CXR) görüntülerini sınıflandırmak ve hızlı tanı koymak için mükemmel bir aday haline getiriyor. Bu çalışmada, iki kamuya açık veri seti kullanılarak eğitilen üç tür CNN ve Konya Eğitim ve Araştırma Hastanesi'nden toplanan yeni bir veri setiyle oluşturulan CNN tanımlanmaktadır. Ayrıca, CNN mimarilerine, uzaysal kutular kullanılarak sağlam özellik havuzlama yeteneği ile evrişimli sinir ağlarını donatan bir metodoloji olan Uzamsal Piramit Havuzlama (SPP) adlı ekstra bir katman entegre edildi. Sonuçlarımız, otomatik bir sistemin, akciğer tüberkülozunu teşhis etmede bir radyolog profesyonelinin üzerinde doğruluk oranına sahip olduğunu göstermiştir.
Özet (Çeviri)
In recent decades, automatic diagnosis using machine-learning techniques have been the focus of research. The ability of classifiers to be able to perform a specific task as good as a trained profession opens the door to a lot of applications. Mycobacterium Tuberculosis (TB) is a deadly disease that plagues most developing countries due to weak health system infrastructure that can be able to quickly diagnose and treat the disease. The World Health Organisation (WHO) has set years 2030 and 2035 as milestones for significant reduction in new infections and deaths. The WHO reports that lack of well-trained professionals to accurately diagnose TB and insufficient or fragile public health systems which are mostly overwhelmed are the major factors that have slowed the eradication of the TB endemic. Convolutional neural networks (CNNs) have demonstrated remarkable success in the field of computer vision i.e. image recognition and detection. Consequently, common methodology for detecting TB is through radiology combined with previous success CNN have achieved in image classification makes them the perfect candidate to classify Chest X-Ray (CXR) images of potential TB patients. In this study, we propose three types of CNN trained using two public datasets and another which was collected from Konya Education and Research Hospital, Konya, Turkey. Also, the CNN architectures were integrated an extra layer called Spatial Pyramid Pooling (SPP) a methodology that equips convolutional neural networks with the ability for robust feature pooling by using spatial bins. Our results indicate a huge potential for an automated system to diagnose tuberculosis with accuracies above a radiologist professional.
Benzer Tezler
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Derin öğrenme ile covıd-19, beyaz kan hücreleri, tüberküloz ve kalp krizi riskinin analizi
Analysis of covid-19, white blood cells, tuberculosis and heart attack risk by using deep learning
ÖMER SEVİNÇ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
DOÇ. DR. MEHMET SERDAR GÜZEL
- Turkish makam music composition by using deep learning techniques
Derin öğrenme teknikleri kullanılarak Türk makam müziği bestelenmesi
İSMAİL HAKKI PARLAK
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YALÇIN ÇEBİ
- Object detection from optical satellite images using deep learning techniques
Derin öğrenme tekniklerini kullanarak optik uydu görüntülerinden nesne tespiti
ESRA YILDIRIM
Yüksek Lisans
İngilizce
2022
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. TAŞKIN KAVZOĞLU
- 5G data communication defect detection on the internet of things using advanced deep learning techniques
Geliştirilmiş derin öğrenme tekniklerini kullanarak şeylerin internetinde 5G veri iletişim kusur tespiti
AHRAR NEAMAH MAHMOOD MAHMOOD
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN