Geri Dön

Sıfır atış öğrenme ve ontolojiyi kullanarak hastalık tanımada yeni bir yaklaşım

A new approach to disease recognition using zero-shot learning and ontology

PDF İndir

  1. Tez No: 816368
  2. Yazar: ÖMÜRHAN AVNİ SOYSAL
  3. Danışmanlar: DOÇ. DR. MEHMET SERDAR GÜZEL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Açık görüntü veri setlerinin son zamanlarda artmasına rağmen hala sınırlıdır. Bu nedenle, bu veri setleri ve etiketlerle hastalık tespiti/tanıması, tıbbi görüntüleme alanında çok maliyetli ve zor bir iştir. Bu nedenle, bu sorunla ilgili araştırmaların hala geliştirilmesi gerekmektedir. Veri setlerini çeşitlendirmek en büyük zorluktur ve öznellik sorunuyla yüzleşmek zorundadır. Bu sorunun üstesinden gelmek için örneği olmayan sınıflar, bir diğer ifadeyle görünmeyen sınıflar Sıfır-Atış Öğrenme (ZSL) ile eğitilebilir. Bu tezde, sınıf gömmeleri için yardımcı bilgi olarak ontolojiyi kullanarak ZSL'yi güçlendirme amaçlanmıştır. Görüntü gömmeleri ve sınıf gömmelerinin eşlendiği mevcut ZSL yöntemlerinde kullanılan prosedürlere ek olarak, sınıf gömmelerinin semantik verileri de dikkate alınmıştır. Önerilen yaklaşımda ZSL, çok etiketli ChestX-ray14 veri setinin görüntü gömmeleri ve sınıf gömmelerinin yanı sıra DBpedia'dan gelen semantik verilerle desteklenmektedir. Benzerlikleri maksimize etmek için Kosinüs, Hamming ve Öklid mesafeleri dikkate alınmıştır. Veri setini genişletmek için klasik ve evrişimsel sinir ağları kullanılmış ve her biri ile testler yapılarak kesinlik değeri yükseltilmeye çalışılmıştır. ResNet50 sinir ağı çok etiketli ChestX-ray14 veri seti üzerinde farklı parametrelerle eğitilmiştir. Birebir eşleştirmede en yüksek %29,59 kesinlik değeri ve en az bir eşleştirmede %45,73 kesinlik değeri elde edilmiştir. Sıfır-atış öğrenme literatüründe yer alan çalışmalardaki başarım oranlarına göre yüksek bir başarım oranına sahip olan bu sonuçlarla beraber bu tez çalışmasının görünmeyen hastalık tespit edilerek/tanınarak tıbbi görüntü alanına önemli bir katkı sağlayacağı düşünülmektedir.

Özet (Çeviri)

Although open image data sets have increased recently, data sets are still limited. So disease detection/recognition with these data sets and labels is very costly and hard challenge in medical domain. Therefore, researches on this problem still need to be improved. It is a greatest challenge to diversify data sets and has to face the problem of subjectivity. Classes without instances, in other words unseen classes, can be trained with Zero-Shot Learning (ZSL) in order to overcome this problem. In this thesis, it is aimed to strengthen ZSL by using ontology as an auxiliary information for class embeddings. In addition to the procedures used in existing ZSL methods where image embeddings and class embeddings are mapped, the semantic data of class embeddings are also considered. In the proposed approach, ZSL is powered by image embeddings and class embeddings of the multi-label ChestX-ray14 data set, as well as semantic data from DBpedia. Cosine, Hamming and Euclidean distances are considered to maximize similarities. Classical and convolutional neural networks were used to augment the data set and the precision value was tried to be increased by making tests with each of them. The ResNet50 neural network is trained on the multi-label ChestX-ray14 data set with different parameters. The highest precision value of 23.25% was obtained in one-to-one matching and 45.73% precision value was obtained in at least one matching. With these results, which have a high success rate compared to the success rates in the studies in the zero-shot learning literature, it is thought that this thesis will make an important contribution to the field of medical imaging by detecting/recognizing invisible disease.

Benzer Tezler

  1. Tez No

    633414

    Deep learning for prediction of drug-target interaction space and protein functions

    İlaç-hedef protein etkileşim uzayı ve protein fonksiyonlarının tahmini için derin öğrenme

    AHMET SÜREYYA RİFAİOĞLU

    Doktora

    İngilizce

    İngilizce

    2020

    Mühendislik BilimleriOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

    PROF. DR. RENGÜL ÇETİN ATALAY

  2. Tez No

    893058

    Semantik derin öğrenme kullanılarak nesnelerin kategorize edilmesi ve sınıflandırılması

    Categorization and classification of objects using semantic deep learning

    EMRE AKDEMİR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. NECAATTİN BARIŞÇI

  3. Tez No

    916582

    Glioblastoma hastalarında radyomik özellikler ve klinik verilerin analizi

    Analysis of radiomic features and clinical data in glioblastoma patients

    ECE ATAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyasyon OnkolojisiAkdeniz Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    DOÇ. DR. TİMUR KOCA

  4. Tez No

    252

    İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar

    Başlık çevirisi yok

    BAHAR TÜRKYILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Şehircilik ve Bölge PlanlamaEge Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

  5. Tez No

    203

    Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu

    Başlık çevirisi yok

    İRFAN KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ BORAT

Geri Dön