Adaptif yöntemlerle iyileştirilmiş göğüs röntgenlerinden derin öğrenme ile COVID-19 tespiti
COVID-199 detection using deep learning on chest X-rays enhanced by adaptive methods
- Tez No: 688209
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN ALTAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: İskenderun Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Derin Öğrenme (DL), günümüzde en popüler Makine Öğrenme (ML) algoritmasıdır, Medikal Görüntü işleme alanında sınıflandırmadaki yüksek performansı sayesinde gün geçtikçe kullanımı yaygınlaşmaktadır. Derin Öğrenme bir sinir ağı yapısından esinlenerek oluşturulmuştur ve birçok parametre içermektedir, yüksek başarımından dolayı birçok hastalığın sınıflandırmasında kullanılmaktadır. Görüntü işleme alanında da oldukça sık kullanılan Derin Öğrenme algoritmaları, görüntü üzerindeki pikselleri farklı katmanlarda işleyerek sınıflandırma yapmaktadır. Görüntü DL ile sınıflandırmadan önce üzerinde farklı önişleme metotları ile sınıflandırmanın daha başarılı olmasını sağlanabilmektedir. Bu çalışmada Yerel Histogram Eşitleme (LHE) ve Uyarlanabilir Histogram Eşitleme (UHE) kullanılarak farklı Derin Öğrenme mimarilerinin COVID üzerindeki etkisi araştırılmıştır, görüntüler, Histogram Eşitleme kullanılarak ve Histogram Eşitleme kullanılmadan incelenerek bu filtrenin başarıma olan etkisi belirlenmiştir, Ayrıca her iki Histogram Eşitleme için farklı parametreler test edilerek en başarılı parametreler belirlenmiştir. Sınıflandırma için Chest X-Ray görüntüleri kullanılmıştır, veriseti COVID, Pneumonia ve Normal görüntülerden oluşmaktadır, Akciğer görüntüleri veriseti üzerinde iki ayrı düzenleme yapılarak birinci veriseti akciğer görüntüleri sağ ve sol lob olarak kırpılmıştır, ikinci veriseti üzerinde herhangi bir kırpma işlemi yapılmamıştır. Her bir Histogram Eşitleme farklı parametreler ile test edilerek her parametrenin başarıma olan etkisi gözlemlenmiştir. DarkNet19, VGG16, AlexNet, MobileNet ve Inception gibi farklı DL mimarileri kullanılarak sınıflandırma başarımı tespit edilmiştir. Bu modeller küçük veriseti ile eğitilerek öğrenim transferi ile daha büyük veriseti üzerinde test edilmiştir, böylece küçük veriseti ile öğrenilen ağırlıkların büyük veri setinde test edilmesi ile başarım sonuçları elde edilmiştir.
Özet (Çeviri)
Deep Learning (DL) is the most popular Machine Learning (ML) algorithm today. Its use is becoming widespread day by day thanks to its high performance in classification in the field of Medical Image processing. Deep Learning is inspired by a neural network structure and includes many parameters. Due to its high performance, it is used in the classification of many diseases. Deep Learning algorithms, which are frequently used in the field of image processing, classify the pixels on the image by processing them in different layers. Before classifying the image with DL, it can be ensured that the classification is more successful with different preprocessing methods. In this study, the effect of different Deep Learning architectures on COVID was investigated using Local Histogram Equalization (LHE) and Adaptive Histogram Equalization (UHE), images were examined using Histogram Equalization and without using Histogram Equalization, and the effect of this filter on achievement was determined. The most successful parameters were determined by testing. Chest X-Ray images were used for classification, the dataset consists of COVID, Pneumonia and Normal images, Lung images were made in two separate arrangements on the dataset, and the first dataset was cropped as right and left lobe lung images, no clipping was performed on the second dataset. Each Histogram Equalization was tested with different parameters and the effect of each parameter on achievement was observed. Classification performance has been determined using different DL architectures such as DarkNet19, VGG16, AlexNet, MobileNet and Inception. These models were trained with a small dataset and tested on a larger dataset with learning transfer, so performance results were obtained by testing the weights learned with a small dataset on a large dataset.
Benzer Tezler
- Performans tabanlı parametrik ve adaptif bina kabuğu tasarım önerisi
Performance based parametric and adaptive building facade design proposal
BÜŞRA YAMAN
Yüksek Lisans
Türkçe
2022
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ÜMİT TURGAY ARPACIOĞLU
- Numerical solution of solidification and elastodynamics problems using dynamic substructuring based on adaptive error estimation
Adaptif hata kestirimine dayalı dinamik alt yapılandırma yöntemi ile katılaşma ve elastodinamik problemlerinin nümerik çözümü
ÖZGÜR UYAR
Doktora
İngilizce
2016
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ATA MUGAN
- Adaptif ağ tabanlı bulanık mantık çıkarım sisteminin (ANFIS) iyileştirilmiş genetik algoritma ile eğitilmesi ve tıbbi problemlere uygulanması
Training adaptive neuro-fuzzy inference system (ANFIS) with improved genetic algorithm and application to medical problems
HİLAL HAZNEDAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM KALINLI
- Eş zamanlı konum belirleme ve harita oluşturma probleminin çözümünde kullanılan yöntemlerin iyileştirilmesi
Improving the methods used in simultaneous localization and mapping
HAYDAR ANKIŞHAN
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FİKRET ARI
- Eş zamanlı konum belirleme ve haritalama probleminde iyileştirilmiş çözüm için GKF, AGKF ve FastSLAM uygulamaları
EKF, AEKF and FastSLAM applications for improved solution of slam problem
SERHAT KARAÇAM
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞBA SELCEN NAVRUZ