Adaptif transfer öğrenme modeli geliştirerek hastalık teşhisi
Disease detection by developing an adaptive transfer learning model
- Tez No: 842140
- Danışmanlar: DOÇ. DR. CEM EMEKSİZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Dünya genelinde her yıl zatürre hastalığından milyonlarca insan etkilenmekte ve ölümler yaşanmaktadır. Bu yüzden zatürre hastalığının erken teşhisi, tedavi süreci için hayati öneme sahiptir. Bu çalışmada hastalığın teşhisi için derin öğrenmeye dayalı web tabanlı bir tanı sistemi geliştirilmiştir. Bu amaçla MobileNetV2, ResNet50V2, ResNet152V2, VGG16 ve VGG19 derin öğrenme modelleri kullanılmıştır. İnce ayar stratejisi derin öğrenme modellerinin son katmanının hedef verilerine göre özelleştirilmesiyle uygulanmıştır. Modellerin daha iyi tahminleme yapabilmesi için çeşitli veri artırma yöntemleri kullanılarak görüntü sayısı artırılmıştır. Performans değerlendirmesi için doğruluk, kesinlik, F1 ve Auc-Roc skor parametreleri kullanılmıştır. Deneysel çalışmalarda MobileNetV2, ResNet50V2, ResNet152V2, VGG16 ve VGG19 modellerinin doğruluk yüzdeleri %84.4, %88.6, %88.5, %90, %87.8 iken özelleştirilmiş modellerin doğruluk değerleri sırasıyla %89.2, %92.3, %87.8, %91.5, %89.4'tür. Özgün modeller ile özelleştirişmiş modeller karşılaştırıldığında, özelleştirilmiş ResNet50V2 ve özelleştirilmiş VGG16 modelleri, modeller arasında %92,3 ve %91,5 doğrulukla daha yüksek performans sergiledi.
Özet (Çeviri)
Millions of people are affected and die from pneumonia every year around the world. Therefore, early diagnosis of pneumonia is vital for the treatment process. In this study, a web-based diagnosis based on deep learning for the diagnosis of the disease system has been developed. For this purpose, MobileNetV2, ResNet50V2, ResNet152V2, VGG16 and VGG19 deep learning models were used. The fine-tuning strategy was applied by customizing the last layers of deep network models based on the target data. In order for the models to make better predictions, the number of images was increased by using various data augmentation methods. The parameters of accuracy, precision, F1 and Auc-Roc score were used to evaluate the model performance. In experimental studies, the accuracy percentages of MobileNetV2, ResNet50V2, ResNet152V2, VGG16 and VGG19 models were 84.4%, 88.6%, 88.5%, 90%, 87.8%. The accuracy values of the customized models are 89.2%, 92.3%, 87.8%, 91.5%, 89.4%, respectively. When comparing the original models with customized models, the customized ResNet50V2 and customized VGG16 models, exhibited a higher performance with accuracy of %92.3 and %91.5 among the models.
Benzer Tezler
- Sayısal haritalama teknikleri kullanılarak DNA dizilimleri üzerinden lösemi hastalığının temel türlerinin yapay zeka tabanlı algoritmalar ile sınıflandırılması
Classification of main types of leukemia disease with artificial intelligence-based algorithms on the DNA sequences using digital mapping techniques
FATMA AKALIN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Automatic determination of plant type and phenological stage with deep learning methods
Tarla görüntülerinden bitki türü ve fenolojik evresinin derin öğrenme yöntemleri ile otomatik saptanması
AIGERIM KAIROLDAYEVA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Detection of body anomalies using radiographic images
Radyografik görüntüler kullanılarak vücut anomalisi tespiti
ZAHRA HARIRA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Gemi dizel motorunun kazanç programlamalı adaptive kontrolü
Gain scheduling adaptive model of a marine diesel engine
MELEK ERTOGAN
Yüksek Lisans
Türkçe
2003
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaat Mühendisliği Ana Bilim Dalı
PROF.DR. NAFİZ AYDIN HIZAL