A comparison of deep neural network architectures for COVID-19 detection using CT chest images
Göğüs BT görüntüleriyle COVID-19 tespitinde derin sinir ağı mimarilerinin karşılaştırılması
- Tez No: 763623
- Danışmanlar: PROF. DR. ÜNAL ERKAN MUMCUOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Sağlık Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Koronavirüs hastalığı 2019 Aralık ayından itibaren hızla tüm dünyaya yayıldı. Altın standart olarak kabul edilen gerçek zamanlı ters transkripsiyon-polimeraz zincir reaksiyonu (RT-PCR) testine olan güvenin düşük olması nedeniyle tanı için BT görüntülerine sıklıkla başvurulmaktadır. COVID-19 hastalarının BT bulguları, buzlu cam opasiteleri, hava bronkogramları, vasküler genişleme ve halo işareti olarak literatürde analiz edilmiş ve yayınlanmıştır. Ancak COVID-19 hastalığında karşılaşılan bu BT bulguları çok spesifik olmayıp hastalığın seyri sırasında da değişiklik göstermektedir. Ayrıca diğer birçok bulaşıcı ve bulaşıcı olmayan hastalık ile ortak BT görünümü ve semptomlarına sahiptir. Bu tez, görüntü işleme tekniklerini kullanarak COVID-19u diğer hastalıklardan ayırt etmek için kullanılan çeşitli derin transfer öğrenme yapılarını karşılaştırmaktadır. Bu çalışmada, beş farklı evrişimli sinir ağı yapısını kullanan sınıflandırma yöntemlerinin performansları karşılaştırılmıştır. Diğer benzer çalışmalardan farklı olarak, yöntemleri eğitmek, test etmek ve doğrulamak için iki genel BT veri seti birlikte kullanıldı. Eğitim verileriyle aşırı uyum sorunları yaşanmış ve en iyi puanlar artırılmış veriler kullanılarak elde edilmiştir. Xception, VGG 16, ResNet 50, Inception v3 ve Inception ResNet v2 evrişimli sinir ağlarında sırasıyla %81.65, %86.08, %90.82, %79.75 ve %81.01 doğruluk değerleri elde edilmiştir. Eğitim sırasında kullanılan epoch sayısı, kayıp ve aktivasyon fonksiyonları gibi hiper parametrelerin önemine de bu çalışmada değinilmiştir.
Özet (Çeviri)
Coronavirus Disease 2019 (COVID-19) has rapidly spread around the world since December 2019. Due to the low confidence in the real-time reverse transcription-polymerase chain reaction (RT-PCR) test, which is considered the gold standard, CT images are frequently consulted for diagnosis. CT findings of COVID-19 patients has been analysed and documented in the literature, which are ground-glass opacities (GGOs), air bronchograms, vascular enlargement and halo sign. But, these CT findings encountered in COVID-19 disease are not very specific and vary during the course of the disease. In addition, it has common CT appearance and symptoms with many other infectious and non-infectious diseases. This thesis compares various deep transfer learning structures used to distinguish COVID-19 from other diseases using image processing techniques. In this study, the performances of the classification methods using five different convolutional neural network structures were compared. Unlike other similar studies, two public CT dataset was used together to train, test and validate the methods. Overfitting issues with the train data had been experienced and best scores are obtained using augmented data. Accuracy values of 81.65%, 86.08%, 90.82%, 79.75% and 81.01% were obtained in Xception, VGG 16, ResNet 50, Inception v3 and Inception ResNet v2 convolutional neural networks, respectively. The importance of hyper parameters such as epoch number, loss and activation functions used during training is also mentioned in this study.
Benzer Tezler
- Artificial intelligent based segmentation on medical imaging
Medikal görüntü üzerinden yapay zeka tabanlı bölütleme
MAHMUT AĞRALI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN KILIÇ
- Akciğer bilgisayarlı tomografisinde insidental saptanan meme nodüllerinin evrişimli sinir ağları ile benign-malign olarak sınıflandırılması
Classification of breast nodules detected incidental in lung computerized tomography and as benign-malign with conversion neural networks
ZİŞAN ERTUNÇ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiYapay Zeka Ana Bilim Dalı
DOÇ. DR. İBRAHİM ÖNDER YENİÇERİ
- Order dispatching via deep reinforcement learning
Başlık çevirisi yok
ERAY MERT KAVUK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
- 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
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN