Derin öğrenme algoritmaları kullanılarak dış ve orta kulak hastalıklarının tespit edilmesi
Detecting external and middle ear diseases using deep learning algorithms
- Tez No: 813630
- Danışmanlar: DOÇ. DR. ERSİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Kulak hastalıkları erken teşhis ve uygun tıbbi bakım ile kolaylıkla tedavi edilebilir. Bununla birlikte, uzman sayısının az olması ve nispeten düşük teşhis doğruluğu, derin öğrenmenin önemli bir rol oynayabileceği yeni bir teşhis stratejisi gerektirmektedir. Bu tezde, klinik ortamda elde edilen çok sayıda otoendoskopik görüntüden yola çıkılarak kulak hastalıklarını tespit etmek için derin öğrenme modelleri kullanılmakta ve bu modellerin başarı oranları gösterilmektedir. Bu tezde, kulak hastalıklarını kapsayan 10 adet hastalık sınıfına (Normal, Adesiv, Akut Otit, Eksternal, Miringoskleroz, Opere, Perfore, Seröz, Serümen, Süpüratif Kronik Otit) sahip bir veri seti kullanılmıştır. Bu veri setinde 1049 adedi sağlıklı (Normal) ve 1076 adedi hastalıklı olmak üzere toplam 2.125 otoendoskopik görüntü bulunmaktadır. Ayrıca bu veri setine çeşitli ön işlemler ve veri artırımı işlemleri uygulanmıştır. Bu veri setinde yer alan hastalıkları sınıflandırmak için Evrişimsel Sinir Ağları (CNN) yöntemine başvurulmuştur. Sınıflandırma işleminin gerçekleştirilebilmesi için önceden eğitilmiş EfficientNetB2, EfficientNetB3, InceptionV3, Resnet50, Resnet50V2, ResNet101, ResNet101V2, VGG-16, Xception ve InceptionResNetV2 modelleri kullanılmıştır ayrıca bu modellerin tam bağlı katmanlarına 2048 ve 1024 nörondan oluşan iki adet gizli katman eklenmiştir. Bu tezde farklı optimizer algoritmaları ve farklı epok-batch size değerleri ile deneyler yapılmıştır. Optimizer deneylerinin neticesinde Adam optimizer en iyi sonucu vermiştir ve epok- batch size deneylerinde kullanılmıştır. Epok- batch size deneylerinde ise en iyi sonucu 40 epok – 32 batch size çalışmasında %96 doğruluk değeri ile EfficientNetB2 ve ResNet50 modelleri vermiştir. CNN modelleri tarafından en iyi tanınan hastalıklar ise Adesiv ve Opere hastalıkları olmuştur.
Özet (Çeviri)
Ear diseases are easily treatable with early detection and appropriate medical care. However, the small number of experts and the relatively low diagnostic accuracy require a new diagnostic strategy in which deep learning can play an important role. In this thesis, deep learning models are used to detect ear diseases based on a large number of autoendoscopic images obtained in the clinical setting and the success rates of these models are shown. In this thesis, a data set with 10 disease classes (Normal, Adesiv, Akut Otit, Eksternal, Miringoskleroz, Opere, Perfore, Seröz, Serümen, Süpüratif Kronik Otit) covering ear diseases was used. In this data set, there are a total of 2,125 autoendoscopic images, of which 1049 are healthy (normal) and 1076 are diseased. In addition, various pre-processes and data augmentation processes were applied to this data set. Convolutional Neural Networks (CNN) method was used to classify the diseases in this data set. Pre-trained models EfficientNetB2, EfficientNetB3, InceptionV3, Resnet50, Resnet50V2, ResNet101, ResNet101V2, VGG-16, Xception and InceptionResNetV2 were used to perform the classification process, and two hidden layers consisting of 2048 and 1024 neurons were added to the fully connected layers of these models. In this thesis, experiments were carried out with different optimizer algorithms and different epoch-batch size values. As a result of the optimizer experiments, the Adam optimizer gave the best results and was used in the epoch-batch size experiments. EfficientNetB2 and ResNet50 models gave the best results in epoch-batch size experiments, with an accuracy of 96% in 40 epoch-32 batch size studies. Adesiv and Opere diseases were the diseases best recognized by CNN models.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Derin öğrenme yöntemi ile daimi birinci azı dişlerinde ektopik erüpsiyonun tespit edilmesi
Detection of ectopic eruption in permanent first molars using deep learning methods
SİBEL ARSLAN KAYAALTI
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiOrdu ÜniversitesiPedodonti Ana Bilim Dalı
PROF. DR. NİHAL BELDÜZ KARA
DR. ÖĞR. ÜYESİ DİDEM ODABAŞI
- Görüntü işleme yöntemleri ile yüzey üzerine oyulmuş karakterlerin tanınması
The recognition of engraving character on the surface with image processing methods
MAHMUT SAMİ YASAK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ERDİNÇ KOÇER
- Object height estimation on monoscopic satellite images using deep learning
Derin öğrenme ile monoskopik uydu görüntülerinden obje yükseklik çıkarımı
FURKAN GÜLTEKİN
Yüksek Lisans
İngilizce
2024
Jeodezi ve FotogrametriOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET LÜTFİ SÜZEN
DOÇ. DR. ALPER KOZ
- Yapay zeka algoritmaları kullanılarak konik ışınlı bilgisayarlı tomografi görüntülerinde semento-osseöz lezyonların tespiti
Detection of cemento-osseous lesions in cone beam computed tomography images using artificial intelligence algorithms
DUYGU ÇELİK ÖZEN
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş Hekimliğiİnönü ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. OĞUZHAN ALTUN