Geri Dön

Medikal görüntülerin ön-eğitilmiş derin öğrenme modelleriyle sınıflandırılmasında metasezgisel optimizasyon algoritmalarıyla öznitelik seçimi performanslarının karşılaştırılması

Comparison of feature selection performances using metaheuristic optimization algorithms in classification of medical images with pre-trained deep learning models

  1. Tez No: 732967
  2. Yazar: MELİSA BİÇER
  3. Danışmanlar: PROF. DR. HAMZA EROL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Tıbbi görüntüleme teknikleri sonucunda elde edilen görüntülerin uzmanlar tarafından analizi ve raporlanması, uzmanın iş yüküyle doğru orantılı bir şekilde süreç gerektirmektedir. Bilgisayar ve yazılım alanındaki büyük bir ivme ile gerçekleşen gelişmeler, yapay zekânın bileşenlerinden olan derin öğrenmenin kullanım alanlarının yaygınlaşmasını sağlamaktadır. Derin öğrenmenin kullanım alanlarından biri olan tıbbi görüntüleme sonucunda elde edilen medikal görüntülerin analizi, derin öğrenme modelleri ile yapılabilmektedir. Bu tez çalışmasında, ön eğitilmiş derin öğrenme modellerinden olan MobileNetV2, InceptionResNetV2 ve VGG19 ile deri kanseri dermoskopik görüntülerinin ve COVID-19 göğüs röntgeni görüntülerinin öznitelik çıkarımı sağlanmaktadır. Çıkarılan özniteliklerin hep aynı boyutta olması ve gerekli, gereksiz veya tekrarlayan özelliklerin hepsini barındırması, sınıflandırma başarısı üzerinde olumsuz etkiye sahip olabilmektedir. Metasezgisel optimizasyon algoritmalarından GA, KOA ve HVAO ile ön eğitilmiş modellerden çıkarılan özniteliklerin seçimi işlemi ile makine öğrenmesi sınıflandırıcılarından KA ve kEYK ile sınıflandırma gerçekleştirilmektedir. 4 sınıfa sahip COVID-19 veri setinin sınıflandırma başarısı en iyi olan kombinasyonu, MobileNETV2 ile çıkarılan özniteliklerin, GA ile yapılan seçimde öznitelik adedini 1280'den 622'ye indirgeyerek, KA sınıflandırıcısı ile %93.74 başarı oranı sunmaktadır. COVID-19 veri setinin sınıflandırılmasında, en az öznitelik sayısı olan 199 adet öznitelik, KOA ile kEYK kombinasyonuna ait olup, MobileNetV2 modelinin orijinal veri seti ile sınıflandırma başarısından daha yüksek bir değere ulaşmaktadır. 7 sınıflı HAM10000 veri seti ile yapılan sınıflandırmada en iyi kombinasyon, InceptionResNetV2 tabanlı GA ile kEYK kombinasyonu olup öznitelik adedini 1536'dan 757'ye indirgeyerek başarı oranı %89.09 olarak elde edilmektedir. HAM10000 veri setinin sınıflandırılmasında, çıkarılan özniteliklerden seçimi en verimli şekilde gerçekleştiren metasezgisel optimizasyon algoritması KOA'ya ait olup, MobileNetV2'den elde edilen 1280 adet öznitelikten 71 adedini seçerek gerçekleştirdiği sınıflandırma, tüm özniteliklerin kullanıldığı sınıflandırmadan daha iyi bir başarı oranı ettiği görülmektedir. Tüm kombinasyonlar incelendiğinde kesin bir şekilde, GA, KOA ve HVAO ile öznitelik seçimi sonucunda yapılan sınıflandırmanın başarısının, orijinal veri setlerinin kullanılması ile yapılan sınıflandırma başarısından daha yüksek bir değer elde ettiği ortaya konulmuştur.

Özet (Çeviri)

The processing and reporting of pictures acquired by specialists using medical imaging techniques demands a workflow commensurate to the specialist's workload. The rapid advancement of computer and software technology enables widespread use of deep learning, one of the components of artificial intelligence. Deep learning models can be used to analyze medical images obtained as a result of medical imaging, which is one of the applications of deep learning. To accomplish this, the pre-trained deep learning models MobileNetV2, InceptionResNetV2, and VGG19 are used to extract features from skin cancer dermoscopic images and COVID-19 chest X-ray images. The fact that extracted features are always the same size and include all necessary, superfluous, or repetitive features may have a detrimental effect on classification success. Classification is carried out using decision trees (DT) and k-nearest neighbors (kNN), which are machine learning classifiers, and by using genetic algorithm (GA), aquila optimizer (AO), and manta-ray foraging optimization (MRFO), which are metaheuristic optimization algorithms, to select features extracted from pre-trained models. Combining the COVID-19 dataset with the four classes with the highest classification success reduces the number of features extracted with MobileNETV2 from 1280 to 622 in the GA selection process and achieves a classification success rate of 93.74 percent using the DT classifier. In the classification of the COVID-19 dataset, the 199 features with the fewest features belong to the combination of AO and kNN, achieving a higher success rate than the MobileNetV2 model's classification success with the original data set. In the classification of the seven-class HAM10000 dataset, the best combination of InceptionResNetV2-based GA and kNN results in a reduction of the number of features from 1536 to 757 with an 89.09 percent success rate. The classification of the HAM10000 dataset employs a metaheuristic optimization algorithm that efficiently selects 71 out of 1280 features extracted from MobileNetV2, and it is observed that the classification performed using only 71 out of 1280 features obtained from MobileNetV2 has a higher success rate than the classification performed using all features. When all combinations are considered, it is discovered that the success of classification using GA, AO, and MRFO has a higher value than the success of classification using original data sets.

Benzer Tezler

  1. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease

    Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı

    ELİF KESKİN BİLGİÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. İNCİ ZAİM GÖKBAY

    DOÇ. DR. YUSUF KAYAR

  3. Derin öğrenme ile mammogram görüntülerindeki lezyonların tespiti ve sınıflandırılması

    Detection and classification of lesions in mammogram images with deep learning

    YAVUZ BİÇİCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SALİM CEYHAN

    DR. ÖĞR. ÜYESİ SÜLEYMAN UZUN

  4. Breast cancer detection with convolutional neural network using ultrasound images

    Başlık çevirisi yok

    JIHAD JAMAL OTHMAN OTHMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YASEMİN ÇETİN KAYA

  5. Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks

    Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi

    FURKAN ÖZÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL