Geri Dön

Biyomedikal görüntülerin sınıflandırılması için yeni bir evrişimli sinir ağı mimarisi

A novel convolutional neural network architecture for classification of biomedical images

PDF İndir

  1. Tez No: 798792
  2. Yazar: ÖZNUR ÖZALTIN
  3. Danışmanlar: PROF. DR. MURTAZA ÖZGÜR YENİAY, DR. ORHAN ÇOŞKUN
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 124

Özet

Evrişimli sinir ağları (CNN) derin öğrenmenin özelleştirilmiş hali olup son dönemde yaygın olarak kullanılan yapay zekâ algoritmalarındandır. Biyomedikal görüntüler gibi karmaşık verileri kolayca ayırt edebilmektedir. Bu çalışmada 34 katmanlı yeni bir CNN mimarisi önerilmiştir. Önerilen bu mimari OzNet olarak isimlendirilmiştir. OzNet, çeşitli biyomedikal verilerin sınıflandırılması için uygulanmış ve oldukça yüksek performans göstermiştir. Bu çalışmada ilk olarak tek boyutlu elektrokardiyogram (ECG) sinyal veri seti kullanılmıştır. Bu veriler, sürekli dalgacık dönüşümü (CWT) ile iki boyutlu görüntülere dönüştürülmüş ve OzNet ile sınıflandırılmıştır. OzNet aynı zamanda AlexNet ve SqueezeNet ile karşılaştırılmış ve bu önceden eğitilmiş mimarilerden daha etkili bir şekilde sınıflandırmıştır. Bu çalışmada, OzNet mimarisinin etkinliğini artırmak için destek vektör makineleri (SVM) ile OzNet birleştirilmiştir. Sonuç olarak ECG veri setinin sınıflandırılmasında, Oznet-SVM mimarisi ile %99.21'lik doğruluk oranı elde edilmiştir. Bu çalışmada ikinci olarak koronavirüs (COVID-19) bilgisayarlı tomografi (CT) görüntüleri kullanılmıştır. Bu görüntüler, çeşitli ön işlem yöntemleri kullanılarak, OzNet ve önceden eğitilmiş mimariler ile sınıflandırılmıştır. Elde edilen sonuçlara göre ayrık dalgacık dönüşümü (DWT), mimarilerin sınıflandırma performansını artırmıştır. COVID-19 CT görüntülerinin sınıflandırılmasında, DWT-OzNet mimarisi %99.5'lik bir doğruluk oranı elde etmiştir. Bu çalışmada üçüncü olarak beyin kanama türlerini içeren CT görüntüleri kullanılmıştır. OzNet bu görüntüler üzerinde de yüksek sınıflandırma başarısı elde etmiştir. Fakat sonuçların daha başarılı olması ve çalışmanın güvenirliğini artırmak için komşuluk bileşenler analizi (NCA) ve makine öğrenme algoritmalarıyla birleştirilmiştir. Burada OzNet, otomatik özellik çıkarıcı olarak kullanılmıştır. Tam bağlantılı katmandan her bir görüntü için 4096 özellikler elde edilmiştir. Bu özellikler, minimum kayıpla önemli ve bilgilendirici özelliklere sahip olacak şekilde NCA tarafından indirgenmiştir. Daha sonra bu önemli özellikler sınıflandırıcılar ile sınıflandırılmıştır. Deneysel sonuçlara göre, yapay sinir ağları (ANN) ile elde edilen OzNet-NCA-ANN yapısı %100 doğruluk oranı ile en iyi sınıflandırıcı modeli olmuştur.

Özet (Çeviri)

Convolutional neural networks (CNN) are a specialized version of deep learning and widely used among artificial intelligence algorithms recently. It can easily distinguish complex data such as biomedical images. In this study, a new CNN architecture which has 34 layers was proposed. This proposed architecture was named as OzNet. OzNet was applied for the classification of various biomedical data and obtained quite high performances. First, one-dimensional electrocardiogram (ECG) signal dataset was used in this study. The dataset was converted into two-dimensional images with continuous wavelet transform (CWT) and classified with OzNet. In addition, OzNet was compared to AlexNet and SqueezeNet and classification results displayed that OzNet was more effective than these architectures. In this study, it was combined with support vector machines (SVM) to increase the efficiency of performance. As a result, Oznet-SVM architecture obtained an accuracy of 99.21% for the classification of the ECG dataset. Next, coronavirus (COVID-19) computerized tomography (CT) images were used in this study. These images were classified with OzNet and pre-trained architectures using various preprocessing methods. According to the findings, discrete wavelet transforms (DWT) increased the classification performance of architectures. Eventually, DWT-OzNet architecture achieved an accuracy of 99.5% in the classification of COVID-19 CT images. Finally, CT images which were including brain hemorrhage types were applied in this study. OzNet also achieved high classification success on these images. However, it was combined with neighborhood component analysis (NCA) and machine learning algorithms to obtain more successful results and increase the reliability of the study. In this part, OzNet was employed as an automatic feature extractor and 4096 features were acquired from the fully connected layer for each image. These features were reduced by using NCA to get significant and informative features with minimal loss. Then, reduced features were classified with classifiers. According to the experimental results, OzNet-NCA-ANN structure obtained through artificial neural networks (ANN) was the best classifier model with 100% accuracy.

Benzer Tezler

  1. Tez No

    847190

    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. Tez No

    545482

    An innovative and accurate deep learning based HER2 scoring method HER2-unet

    HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım

    FARIBA DAMBAND KHAMENEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  3. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  4. Tez No

    844440

    Medikal görüntülerin çoklu derin öğrenme tabanlı modeller ile sınıflandırılması

    Classification of medical images with multiple deep learning based models

    AHMET HİDAYET KİRAZ

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET EMİN YÜKSEL

  5. Tez No

    323737

    Tissue density classification in mammographic images using local features

    Yerel öznitelikler ile mamografi görüntülerinde doku yoğunluğunun sınıflandırılması

    SEZER KUTLUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

Geri Dön