Geri Dön

Veri çoğaltma ve derin öğrenme teknikleriyle medikal görüntülerden otomatik hastalık tespiti

Automatic disease detection from medical images with data augmentation and deep learning techniques

  1. Tez No: 829321
  2. Yazar: TESLİME BAYIK
  3. Danışmanlar: PROF. DR. KEMAL POLAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Bolu Abant İzzet Baysal Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

2019 yılında, Covid-19 hastalığının tüm dünyaya yayılması, yaşamı negatif olarak etkiledi. Covid-19 hastalığı, zatürre hastalığının bir çeşididir. Zatürre hastalarının, derin öğrenme yöntemiyle erken teşhisi, bu tez çalışmanın ana konusudur. Erken teşhis için bireylerin göğüs röntgen görüntüleri (X-Ray görüntüleri), bu tez çalışmada veri kümesi olarak kullanılmıştır. Kaggle veri sitesi üzerindeki, CoronaHack-Chest-Xray, bu tezde veri kümesi olarak kullanılmıştır. Veri kümesindeki görüntülerin; zatürre ve normal olarak, iki farklı sınıfta etiketli olduğu görülmüştür. VGG-16, VGG-19, MobileNet, InceptionV3, Xception; derin öğrenme modelleri bu çalışmada, ayrı ayrı kullanılmıştır. Her bir model 4 farklı metot ile çalıştırılmıştır. Metotlar; 1- Veri artırımı yok ve çapraz doğrulama yok, 2- Veri artırımı yok, çapraz doğrulama var, 3-Veri artırımı var, çapraz doğrulama yok, 4- Veri artırımı var, çapraz doğrulama var. Tüm model ve metodu eşleşme kombinasyonları çalıştırıldığında, CoronaHack-Chest-Xray veri kümesi üzerinde, MobileNet modeli, veri artırımı yok-çapraz doğrulama yok metodu ile, eğitim kümesi %80 – test kümesi %20 olarak, en iyi başarı metrik sonuçları vermiştir. En iyi sonuca sahip modelin; görüntüleri, zatürre ve normal olarak 2 sınıfa ayırmasının, başarı metrikleri özetle şunlardır: Doğruluk metriği %99, kesinlik metriği %98, hatırlama metriği %98. Diğer başarı metrik sonuçları, karmaşıklık matrisi ve diğer model-metot kombinasyonlarının çalıştırılma başarı metrikleri bu tezde elde edilmiştir. ANAHTAR KELİMELER: Derin Öğrenme, Veri Çoğaltma, Medikal Görüntüleme, Covid-19, Zatürre

Özet (Çeviri)

In 2019, the spread of the Covid-19 disease worldwide negatively affected life. Covid-19 disease is a type of pneumonia disease. Early diagnosis of pneumonia patients with deep learning method is the main subject of this thesis study. Chest X-rays (X-Ray images) of individuals for early diagnosis were used as dataset in this thesis study. This study used coronaHack-Chest-Xray on the Kaggle data site as a dataset. The images in the dataset; It is labeled into two different classes, pneumonia and normal. VGG-16, VGG-19, MobileNet, InceptionV3, and Xception; deep learning models were used separately in this thesis. Each model was run with 4 different methods. Methods; 1- No data augmentation and cross-validation, 2- No data augmentation, cross-validation, 3-Data augmentation, no cross-validation, 4-Data augmentation, cross-validation. When all model and method matching combinations were run, the MobileNet model gave the best success metric results on the CoronaHack-ChestXray dataset, with the no data augmentation-no cross-validation method, training set 80% – test set 20%. The model with the best result, The success metrics of separating the images into 2 classes, pneumonia and normal, are summarized as follows: the accuracy metric is 99%, the precision metric is 98%, and the recall metric is 98%. Other success metric results, complexity matrix, and running success metrics of other model-method combinations were obtained in this thesis. KEYWORDS: Deep Learning, Data Augmentation, Medical Imaging, Covid-19, Pneumonia

Benzer Tezler

  1. Derin öğrenmeye dayalı güçlü yüz tanıma sistemi için gan ile veri çoğaltma

    Data augmentation with gan for robust face recognition system based on deep learning

    ERDAL ALIMOVSKI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. YAHYA ŞİRİN

  2. Dynamic heuristic approach to enhance the performance of few-shot meta-learning

    Az örnekle meta-öğrenmenin performansını artırmak için dinamik heuristik bır yaklaşım

    ÖMER MİRHAN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. NUMAN ÇELEBİ

  3. Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning

    Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi

    MUHAMMED FURKAN KUCUK

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiUniversity of South Florida

    Haberleşme Ana Bilim Dalı

    DOÇ. DR. İSMAİL UYSAL

  4. Güneş paneli kusurlarının derin öğrenme tabanlı sınıflandırılması

    Classification of solar panels defects based on deep learning

    SEBAHATTİN YİĞİT LERMİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUĞBA ÖZGE ONUR

  5. Julia ve derin öğrenme teknikleri kullanılarak içme suyu arıtma tesisleri için yapay zekâ uygulaması

    Artificial intelligence application for drinking water treatment plants using julia and deep learning techniques

    GÜRKAN KAPLAN

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Matematik Bilgisayar Ana Bilim Dalı

    PROF. DR. ALPER ODABAŞ