A new computer vision application based on deep learning technique for brain MRI recognition
Beyin MRI tanıma için derin öğrenme tekniğine dayalı yeni bir bilgisayar görüşü uygulaması
- Tez No: 672360
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHİM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Bu çalışmada, evrimsel sinir ağı (CNN) tabanlı rastgele orman (RF) kullanılarak beyin MRG görüntülerini sınıflandırmak için yeni bir yöntem sunulmuştur. CNN, AlexNet'in transfer öğrenme tekniği olarak uyguladığı MRI görüntülerinin özelliklerini çıkarmak için uygulandı. CNN kullanmanın amacı, CNN'nin tamamen bağlı katmandan ziyade paylaşılan ağırlık tekniğini uyguladığı hesaplama süresini azaltmaktır. CNN ayrıca sınıflandırıcılara üst düzey özellikler göndererek sınıflandırıcının performansını artırmaya da yol açar. Öte yandan RF, önceki katmanlarda CNN'den elde edilen yüksek seviye özellikleri sınıflandırmak için denetimli teknik olarak uygulanmıştır. Ayrıca, doğruluk, kesinlik ve özgüllük gibi çeşitli istatistiksel parametreler. Çerçevemiz literatürde sunulan araştırma sayısı ile karşılaştırıldığında dikkate değer sonuçlar elde ettik.
Özet (Çeviri)
In the study, new method presented to classify brain MRI images by using convolutional neural network (CNN) based random forest (RF). The CNN applied to extract the features of the MRI images which AlexNet applied as transfer learning technique. The aim of using CNN is to reduce the computational time which CNN applied shared weight technique rather than fully connected layer. The CNN also lead to increase the performance of the classifier by sending high level features to the classifiers. On the other hand, the RF applied as supervised technique to classify the high-level features that obtained from CNN in the previous layers. Furthermore, several statistical parameters such as accuracy, precision, and specificity. We obtained remarkable results when compared our framework with number of researches presented in literature.
Benzer Tezler
- Derin öğrenme modellerinin hücre veri seti üzerinde eğitilerek kıyaslanması ve mobil ortama uyarlanması
Comparision and mobile application of deep learning models trained on blood cell dataset
MEHMET YAVUZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ZAHİD YILDIZ
- A new approach to satellite communication: Harnessing the power of reconfigurable intelligent surfaces
Uydu iletisimine yeni bir yaklaşım: Yeniden yapılandırılabı̇lı̇r akıllı yüzeylerden faydalanma
KÜRŞAT TEKBIYIK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Deep learning aided data detectionfor future wireless communication systems
Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti
MERVE TURHAN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Deep learning-based techniques for 3D point cloud analysis
3B nokta bulutu analizi için derin öğrenme temelli teknikler
YUSUF HÜSEYİN ŞAHİN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL