Improving prediction of chest infections using machine learning algorithms from X-ray images
Başlık çevirisi mevcut değil.
- Tez No: 825968
- Danışmanlar: DOÇ. DR. OĞUZ ATA
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Bu tez, ilgili profesyonellerin akciğer röntgeni görüntülerini yorumlayarak yaygın akciğer hastalıklarını hızlı ve doğru bir şekilde tanımlamasına yardımcı olan derin öğrenme tabanlı bir bilgisayar uygulamasını sunmayı ve geliştirmeyi amaçlamaktadır. Evrişimli sinir ağı (CNN), görüntü işleme için çok verimli bir tekniktir. Önerilen çalışma AlexNet'i kullanmıştır ve bu mimarinin ince ayarı yapılmıştır ve CXR görüntülerinden öznitelikleri çıkarmak ve bu öznitelikleri enerji spektral yoğunluğunu ayrı ayrı kullanarak analiz etmek için kullanılmıştır. Açık kaynaklı göğüs röntgeni (CXR) görüntülerinden elde edilen dört veri seti, X-ışını görüntülerinin sırasıyla 15153, 6432, 9208 ve 312'si halka açıktır. DVM sınıflandırıcı kullanan önerdiğimiz sistemdeki deneysel sonuçlar, bu veri kümeleri için sırasıyla %95.6, %95.4, %97.2 ve %95.7'de doğruydu. Yöntem birkaç çalışma ile karşılaştırıldı.
Özet (Çeviri)
This thesis aims to present and develop a deep learning-based computer application that helps related professionals quickly and accurately identify common lung diseases by interpreting chest X-ray images. Convolutional neural network (CNN) is a very efficient technique for image processing. The proposed work has used AlexNet, and this architecture was fine-tuned and used to extract features from CXR images and analyse these features using energy spectral density individually. The four datasets from open source chest X-ray (CXR) images are publicly available, 15153, 6432, 9208, and 312, respectively, of X-ray images. The experimental results in our proposed system using SVM classifier were accurate at 95.6%, 95.4%, 97.2%, and 95.7%, respectively, for these datasets. The method was compared with several studies.
Benzer Tezler
- 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
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Kalıplanmış genleştirilmiş polipropilen parçaların üretim parametrelerinin yapay sinir ağları ile tahmini
Başlık çevirisi yok
ONAT KALAFAT
- Kistik fibrozisli çocuklarda inspiratuar kas eğitiminin postüral stabilite, denge, solunum fonksiyonları ve fonksiyonel kapasite üzerine etkisi
Effects of inspiratory muscle training on postural stability, balance, pulmonary function and functional capacity in children with cystic fibrosis
MELİH ZEREN
Doktora
Türkçe
2018
Fizyoterapi ve RehabilitasyonBezm-i Alem Vakıf ÜniversitesiKardiyopulmoner Fizyoterapi Rehabilitasyon Ana Bilim Dalı
PROF. DR. HÜLYA NİLGÜN GÜRSES
- Prediction of protein-protein interactions through sequence based contrastive representation learning method
Sekans tabanlı ayrımsal temsil öğrenmesi yöntemi ile protein-protein etkileşimlerinin tahmini
DUYGU GEÇKİN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
DOÇ. DR. GÜLESER KALAYCI DEMİR