Deep ensemble learning-based classification of stroke
Derin topluluk öğrenme tabanlı inme sınıflandırması
- Tez No: 790122
- Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
İnme, insanların yaşam kalitesini ve sağlığını derinden bozan bir tür beyin hastalığıdır. Beyin Manyetik Rezonans (MR) görüntülerinin kantitatif analizi, inmelerin hem teşhisi hem de tedavisi için çok önemlidir. Erken tanı yöntemi inme vakalarını önlemek için çok önemlidir. Kapsamlı veri öğrenme kapasitesine sahip derin sinir ağları, inme tahminine imkân sağlamıştır. Bu nedenle, bu çalışmada, inme lezyonlarının özelliklerini incelemek ve tam akıllı otomatik algılama elde etmek amacıyla MRI görüntülerini iki kategoride (inme ve inme olmayan) sınıflandırmak için transfer öğrenmeyle birkaç derin sinir ağı modeli önerilmiştir. Bu modeller MobileNet, EfficientNetB2, ResNet50, DenseNet121 ve EfficientNetB2'dir. Çalışma veri setini, 1901 eğitim görüntüsü, 475 doğrulama görüntüsü ve 250 test görüntüsü oluşturmaktadır. Modellerin daha etkili bir şekilde öğrenmesine yardımcı olan eğitim ve doğrulama setlerindeki görüntü sayısını artırmak için veri artırma kullanılmıştır. Deneylerden elde edilen sonuçlar, aynı veri kümesini kullanan tüm son teknoloji yöntemlerden daha iyi performans göstermiştir. Transfer öğrenme için DenseNet121 ve Xception modelini kullanan çalışmanın en iyi modelleri, kesinlik, geri çağırma ve F1-puanı için aynı değerlerle genel olarak %98,4'lük bir doğruluk elde etmiştir. Ayrıca çalışmanın ilk üç modeli olan EfficientNet, DenseNet ve Xception ile topluluk öğrenme yöntemi kullanılmış ve %100 genel skor elde edilmiştir.
Özet (Çeviri)
Stroke is one sort of brain disease that profoundly impairs people's quality of life and health. The quantitative analysis of brain Magnetic Resonance (MR) images is crucial for both the diagnosis and treatment of strokes. The method of early diagnosis is crucial for preventing stroke instances. Deep neural networks, which have the capacity for vast data learning, enable stroke prediction. Therefore, in this study, several deep neural network models are proposed for transfer learning to classify MRI images into two categories (stroke and non-stroke), in order to study the characteristics of the stroke lesions and achieve full intelligent automatic detection. These models include MobileNet, EfficientNetB2, ResNet50, DenseNet121, and EfficientNetB2. 1901 training images, 475 validation images and 250 testing images make up the study dataset. Data augmentation was employed to increase the number of images on the training and validation sets, which helped the models to learn more effectively. Results from the experiment outperform those from all state of the art methods that used the same dataset. The top models of the study, which use the DenseNet121 and Xception models for transfer learning, obtained an overall accuracy of 98.4% with the same values for precision, recall, and F1-score. Additionally, ensemble learning method is used with the top three models of the study, EfficientNet, DenseNet, and Xception, and a 100% overall score is obtained.
Benzer Tezler
- Dizel makinanın makina öğrenmesi yöntemi kullanılarak modellenmesi ve karar-destek mekanizması oluşturulması
Machine learning method based marine diesel engine modelling and decision-support system setting
TOLGA ŞAHİN
Doktora
Türkçe
2022
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT ERDEM İMRAK
- Derin topluluk öğrenmesi modeli ile histopatolojik görüntüler üzerinde çok sınıflı kanser teşhisi
Multi-class cancer diagnosis on histopathological images with deep ensemble learning model
GİZEM YILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER YAKUT
- Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım
Ensemble learning-based approach to classification of SAR images for land cover and use
ELİF MEŞECİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Dermatolojik hastalıkların teşhisinde derin öğrenme tabanlı yöntemlerin kullanılması
The use of deep learning-based methods in the diagnosis of dermatological diseases
İSMAİL ANIL AVCI
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ KARAKAYA
PROF. DR. BETÜL DEMİR
- Güç sistemlerinde geçici hal kararsızlığının ve gelişiminin derin öğrenme ve karar ağacı tabanlı yöntemler ile geniş alan ölçümlerine dayalı olarak erken kestirimi
Wide area measurement based early prediction of power system transient instability and its evolution using deep learning and decision tree based algorithms
MERT KESİCİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ