Geri Dön

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

  1. Tez No: 763623
  2. Yazar: MEHMET TUNAHAN SARIOĞLU
  3. Danışmanlar: PROF. DR. ÜNAL ERKAN MUMCUOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Enformatik Enstitüsü
  11. Ana Bilim Dalı: Sağlık Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Artificial intelligent based segmentation on medical imaging

    Medikal görüntü üzerinden yapay zeka tabanlı bölütleme

    MAHMUT AĞRALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN KILIÇ

  2. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DOÇ. DR. İBRAHİM ÖNDER YENİÇERİ

  3. Order dispatching via deep reinforcement learning

    Başlık çevirisi yok

    ERAY MERT KAVUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN

  4. 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

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İMAN ASKERBEYLİ

    DOÇ. DR. MEHMET SERDAR GÜZEL

  5. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖKHAN İNALHAN

    DR. MUSTAFA UMUT DEMİREZEN