A mobilenet based CNN model with a novel fine tuning mechanism for COVID-19 infection detection
COVID-19 enfeksiyon tespiti için yeni bir ince ayar mekanizmasına sahip mobilenet tabanlı CNN modeli
- Tez No: 775637
- Danışmanlar: DOÇ. DR. YASİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: CNN, COVID 19, Derin öğrenme, Hastalık, MobileNets, Pnömoni, CNN, COVID 19, Deep learning, Disease, MobileNets, Pneumonia
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkan COVID-19 adlı yeni bir koronavirüs, dünya çapında hızla yayılması ve ciddi akut solunum sendromuna neden olması nedeniyle çok tehlikeli bir hal aldı. Ocak 2022'de bildirildiği üzere, virüs dünya çapında 349.641.119 kişiye bulaştı ve 5.592.266'dan fazla ölüme neden oldu. Birkaç farklı teşhis yöntemi olmasına rağmen, polimeraz zincir reaksiyonu (PCR), COVID-19 patojeninin laboratuvar teşhisi için ana standart olarak kabul edilir. Ancak test sonuçları birkaç saat ile iki gün arasında elde edilmesi erken müdahalenin önündeki en büyük engeldir. Bu yüzden araştırmacılar, hastalığı teşhis etme süresini kısaltmak için röntgen görüntülerini kullanan alternatif yöntemlere odaklandılar. Bu çalışma, göğüs röntgeni görüntülerini kullanarak COVID-19 hastalığını saptamak için yeni ince ayar mekanizmalarına sahip bir derin aktarım öğrenme yaklaşımı önermektedir. Model, MobileNetV2 mimarisine dayanmaktadır. Önerilen modeli değerlendirmek için, üç sınıf içeren halka açık iki veritabanından birleştirilmiş bir veri seti kullandık: normal, COVID-19 ve pnömoni X-ray görüntüleri. Yaklaşımımızda, sınıflandırma doğruluğunu artırmak için bir klasik ve iki yeni ince ayar mekanizması önerdik ve beş kat çapraz doğrulama ile 3 sınıflı sınıflandırmada ortalama %95.62, %96.10 ve %97.61 doğruluk oranlarına ulaştık. Ayrıca üçüncü modelimiz, toplam ince ayar işlemlerinin %81.92'sini azalttı ve daha iyi sonuçlar elde etti. Sayısal sonuçlar, önerilen yaklaşımın, karmaşık ön işleme adımları olmaksızın ham veriler kullanıldığında umut verici sonuçlar elde ettiğini göstermektedir.
Özet (Çeviri)
A new coronavirus called COVID-19, which emerged in Wuhan, China, in December 2019, is very dangerous because of its rapid global spread worldwide, causing severe acute respiratory syndrome. It has infected 349.641.119 people worldwide and caused over 5.592.266 deaths, as reported in January 2022. Although there are several different diagnostic methods, polymerase chain reaction (PCR) is considered the gold standard for laboratory diagnosis of the COVID-19 pathogen. However, test results are obtained within a few hours to two days, and this relatively late response is the main barrier to early intervention. Researchers have focused on alternative methods that use x-ray imaging to shorten the time to diagnose the disease. This study proposes a deep-transfer learning approach with novel fine-tuning mechanisms for detecting COVID-19 disease using chest X-ray images. The model is based on the MobileNetV2 architecture. To evaluate the proposed model, we used a combined dataset from two publicly available databases containing three classes: normal, COVID-19, and pneumonia X-ray images. In our approach, we proposed one classical and two new fine-tuning mechanisms to increase classification accuracy and achieved average accuracy rates of 95.62%, 96.10%, and 97.61% for 3-class cases with five-fold cross-validation. In addition, our third model reduced 81.92% of the total fine-tuning operations and achieved better results. The numerical results show that the proposed approach achieves promising results when raw data without complex preprocessing steps are used.
Benzer Tezler
- Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma
Classification of recyclable wastes with deep learning models: A comparison on the effect of dataset size
GAMZE AĞIRTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Görüntü işleme ve derin öğrenme yöntemleri kullanarak enerji nakil hatlarında anomalilerin otomatik tespiti
Automated detection of anomalies in power transmission lines using image processing and deep learning methods
ZELİHA DOĞAN ERSOY
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED ERDEM İSENKUL
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- X-ray görüntülerinde omuz artroplastisi ımplantlarının sınıflandırılmasında yeni bir derin öğrenme yaklaşımı
A novel deep learning approach to classifying shoulder arthroplasty implants in x-ray images
SHAMRIZ NAHZAT
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ METE YAĞANOĞLU