An artificial intelligence system that detects infectious diseases in children
Çocuklarda bulaşıcı hastalıkları tespıt eden yapay zeka sistemi
- Tez No: 830654
- Danışmanlar: DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- 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: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği ve Bilgisayar Bilimi Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilgisayar Eğitimi Bilim Dalı
- Sayfa Sayısı: 71
Özet
Pnömoni hastalarının görüntülerinin doğru bir şekilde tanınması ve sınıflandırılması tanı ve tedavinin sağlanması için kritik öneme sahiptir. Evrişimli Sinir Ağları (CNN) gibi derin öğrenme teknikleri bu görevde %96,8 doğruluk ve CNN Uzun Süreli Bellek (CNN LSTM) %97 doğruluk seviyeleri göstermiştir. Modeller, Kaggle'dan elde edilen pediatrik pnömoni hastalarının 5856 sınıflandırılmış görüntüsünden oluşan bir veri seti kullanılarak değerlendirildi. Veri seti eğitim (%70), test (%15) ve doğrulama (%15) setlerine ayrıldı. Her iki CNN RF modeli de %92'lik bir doğruluk elde etti ve CNN SVM, klinisyenler ve radyologlar için faydalı kaynaklara katkıda bulunan %93'lük bir doğruluk elde etti. Ek olarak, olasılıklara dayalı kararlar vererek sonuçları gösteren ve doğruluğu %96,5 olan CNN FUZZY modelimizde mantıksal kuralların uygulamasını inceledik. Görüntülerden özellik çıkarımı, bir optimize edici ile elde edilen modellere dayalı tahminler sağlayan modelleme sürecinin bir bileşenidir. Performansı artırmak için Adams parametrelerinde değişiklikler yapıldı. Model performansının değerlendirilmesi, doğruluk değerlendirmesiyle birlikte hatırlama, doğruluk ve F1 puanı gibi ölçümleri içerir. Bu ölçütler, iyileştirilecek alanların belirlenmesine yardımcı olmak için modellerin etkinliğinin bir değerlendirmesini sağlar ve incelemeler için bir referans görevi görür. Modellerin yüksek doğruluğu, pnömoni hastalarını doğru şekilde sınıflandırma yeteneklerini potansiyel olarak hasta sonuçlarını iyileştirdiğini göstermektedir. Bu çalışmada kullanılan değerlendirme ölçekleri, gerçek dünya koşullarında güvenilir ve doğru performans sağlamak için bu ölçekleri entegre etmenin önemini vurgulayan modellerin güçlü ve zayıf yönlerinin bir analizini sağlar.
Özet (Çeviri)
Accurate recognition and classification of images of pneumonia patients is critical to ensure diagnosis and treatment. Deep learning techniques such as Convolutional Neural Networks (CNN) showed an accuracy of 96.8% and CNN Long Term Memory (CNN LSTM) accuracy levels of 97% in this task. Models were evaluated using a dataset of 5856 classified images of pediatric pneumonia patients obtained from Kaggle. The data set was divided into training (70%), test (15%), and validation (15%) sets. Both CNN RF models achieved an accuracy of 92% and the CNN SVM an accuracy of 93% which contributes to useful resources for clinicians and radiologists. In addition, we explored the application of logical rules in our CNN FUZZY model, which showed results by making decisions based on probabilities and the accuracy was 96.5%. Feature extraction from images is a component of the modeling process that enables predictions based on patterns acquired with an optimizer. To improve performance, modifications were made to the Adams parameters. The evaluation of model performance included metrics such as recall, accuracy, and F1 score along with an evaluation of accuracy. These measures provide an assessment of the effectiveness of the models to help identify areas for improvement and serve as a reference for investigations. The high accuracy of the models demonstrates their ability to correctly classify pneumonia patients potentially enhancing patient outcomes. The evaluation scales used in this study provide an analysis of the strengths and weaknesses of the models emphasizing the importance of integrating these scales to ensure reliable and accurate performance, in real-world situations.
Benzer Tezler
- Derin öğrenme ile helmint yumurtalarının ve protozoonların tespiti
Detection of helminth eggs and protozoons with deep learning
MUKHAMMED ISMAILOV
Yüksek Lisans
Türkçe
2024
BiyolojiKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. HAKAN YILMAZ
- Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım
A new approach to classification applications with limited dataset
SAİM ERVURAL
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- X-ray görüntüleri ile derin öğrenme kullanılarak covid-19 vakalarının tespiti
Detection of covid-19 cases by applying deep learning with x-ray images
MUHAMMED MUSTAFA AYDIN
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriSakarya Uygulamalı Bilimler ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. RAŞİT KÖKER
- Bitewing radyograflardaki diş çürüklerinin anlamsal bölütleme yapay zekâ modeliyle değerlendirilmesi
Evaluation of dental caries on bitewing radiographs by semantic segmentation Al model
HALİL İBRAHİM ÖZDEMİR
Yüksek Lisans
Türkçe
2022
BiyomühendislikKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KASIM
- Yapay zekâ yöntemleri ile veri analizi ve tıbbi teşhis için uzman sistem geliştirme
Developing expert system for medical diagnosis and data analysis with artificial intelligence methods
ALİ KELEŞ
Doktora
Türkçe
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. UĞUR YAVUZ