Deep learning and machine learning methods to classify and segment the chagas disease
Chagas hastalığının sınıflandırılması ve bölümlenmesi için derin öğrenme ve makine öğrenme yöntemleri
- Tez No: 728926
- Danışmanlar: DR. ÖĞR. ÜYESİ LAVDİE RADA ÜLGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarla Görü, Derin öğrenme, Makine öğrenmesi, Anlamsal Bölütleme, Sınıflandırma, Computer Vision, Deep learning, Machine learning, Semantic Segmentation, Classification
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 132
Özet
Bu tezde, Chagas hastalığı için çeşitli sınıflandırma ve segmentasyon tabanlı modeller uyguladık. Bu görevlerin her biri için birden fazla model eğitilmiş ve performansları karşılaştırıldıktan sonra her bir görev için bunlardan en iyi olan model seçilmiştir. Bu tezin üçüncü bölümünde detaylandırılan sınıflandırma görevi, kan yayması görüntülerinden Chagas hastalığı sınıflandırmasının karmaşık görevini gerçekleştirebilen“Res2Net_SeperableConv_SVM”adlı yeni bir derin öğrenme tabanlı mimarinin geliştirilmesinden oluşmaktadır. öğrenmeyi aktarın. Model, bir test ve doğrulama veri setine dayanmaktadır ve sırasıyla %97,44 ve %97,99 doğruluk elde etmiştir. Buna ek olarak, derin öğrenme ve makine öğrenimi modelleri, Chagas veri kümesinde iyi bir performansa sahip yeni modellere yol açan yeni mimariler oluşturmak için birleştirildi. Bu tezin dördüncü bölümünde, kan yayma görüntülerinden Chagas paraziti bölümlere ayrılmıştır. Çeşitli popüler segmentasyon mimarilerini inceledik ve uyguladık ve onlardan ilham alarak, önceden öğrenilen özellikleri yeniden kullanmak için artık bağlantıları ve doğru tespiti için bir kayıp fonksiyonu olarak ACL'yi kullanan uçtan uca eğitilebilir tamamen evrişimli sinir ağı mimarimizi önerdik. Chagas parazitinin sınırı ve şekli. İkili çapraz entropi kaybı fonksiyonunun ve zar kaybı fonksiyonunun modelin performansını ve segmentasyon çıktısının kalitesini nasıl etkilediğini belirlemek için deneyler de yapıldı. Model, doğrulama veri seti için %0,74'lük IOU puanına ve %0,84'lük zar puanına ulaşır.
Özet (Çeviri)
In this thesis, we have implemented various classification and segmentation-based models for Chagas disease. Multiple models were trained for each of these tasks and after comparing their performances, the best model among these was selected for each of the tasks. The classification task, detailed in the third section of this thesis, consists of the development of a novel deep learning-based architecture, named“Res2Net_SeperableConv_SVM”, which can accomplish the complex task of Chagas disease classification from the blood smear images without the need for transfer learning. The model is predicated on a test and validation dataset and achieved an accuracy of 97.44% and 97.99%, respectively. The deep learning and machine learning models were combined to form new architectures to fetch good predications on the Chagas dataset. In the fourth section of this thesis, the Chagas parasite is segmented from blood smear images. We studied and implemented a variety of popular segmentation architectures and, inspired by them, proposed our end-to-end trainable fully convolutional neural network architecture, which uses residual connections to reuse previously learned features and ACL as a loss function for proper detection of the Chagas parasite's boundary and shape. Experiments were also carried out to determine how the binary cross-entropy loss function and the dice loss function affect the model's performance and the quality of the segmentation output. The model achieves the IOU score of 0.74% for the validation dataset and the dice score of 0.84 %.
Benzer Tezler
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Automatic disc herniation diagnosis with machine learning methods from MRI images
MRI görüntülerinden makine öğrenme yöntemleriyle otomatik disk fıtığı tanısı
MERVE APAYDIN YUMUŞ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAnkara Yıldırım Beyazıt ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER KARAL
- Derin öğrenme algoritmaları kullanılarak çay alanlarının otomatik segmentasyonu
Automatic segmentation of tea fields by using deep learning algorithms
SALİH BOZKURT
Yüksek Lisans
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- An innovative and accurate deep learning based HER2 scoring method HER2-unet
HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım
FARIBA DAMBAND KHAMENEH
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF. DR. MUSTAFA ERSEL KAMAŞAK
- Phyton üzerinden derin öğrenme algoritmaları kullanılarak deri görüntüsünden cilt hastalıklarının tespit edilmesi
Detection of skin diseases from skin image by using deep learning algorithms in python
KAAN ONUR KOÇ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBolu Abant İzzet Baysal ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL POLAT