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
- An assessment of the efficacy of deep learning and machine learning methods in automatically detecting paediatric pneumonia in chest x-ray images
Göğüs röntgeni görüntülerinde çocuk pnömonisinin otomatik olarak tespitinde derin öğrenme ve makine öğrenme yöntemlerinin etkinliğinin değerlendirilmesi
HUSSEİN ABD ALİ HATİF ALSAADI
Yüksek Lisans
İngilizce
2024
Altınbaş ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Pulmoner emboli hastalarında Pulmoner Emboli Şiddet İndeksi, Basitleştirilmiş Pulmoner Emboli Şiddet İndeksi ve Hestia kriterlerinin değerlendirilmesi
Evaluation of Pulmonary Embolism Severity Index, Simplified Pulmonary Embolism Severity Index and Hestia criteria in pulmonary embolism patients
PELİNSU ŞENER
Tıpta Uzmanlık
Türkçe
2025
Göğüs HastalıklarıEskişehir Osmangazi ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. FÜSUN ALATAŞ