Medikal görüntülerin çoklu derin öğrenme tabanlı modeller ile sınıflandırılması
Classification of medical images with multiple deep learning based models
- Tez No: 844440
- Danışmanlar: PROF. DR. MEHMET EMİN YÜKSEL
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Tıbbi Görüntü, Derin Öğrenme, Sınıflandırma, Makine Öğrenmesi, Medical Imaging, Deep Learning, Classification, Machine Learning
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 109
Özet
Tıbbi görüntülerin doğru sınıflandırılmaları, klinik karar verme süreçlerinde hayati önem taşımaktadır. Bu tez çalışması kapsamında tıbbi görüntülerin sınıflandırılması için yeni yaklaşımlar geliştirilmiştir. Bu yaklaşımlar kapsamında derin öğrenme ağları ve farklı makine öğrenmesi modelleri kullanılmıştır. Bu tez çalışması kapsamında birden fazla derin öğrenme ağından elde edilen öznitelik vektörleri birleştirilerek sınıflandırma doğruluğu artırılmış ve bir makine öğrenmesi modeli olan otomatik kodlayıcı (Autoencoder) ile vektör boyutları azaltılarak işlem maliyetleri düşürülmüştür. Oluşturulan nihai öznitelik vektörleri farklı makine öğrenmesi ağları ile sınıflandırılarak, yaklaşımın farklı makine öğrenmesi modelleri ile birlikte kullanılması durumundaki performansları değerlendirilmiştir. Önerilen yaklaşımın etkinliğinin ölçümlenmesi için üç farklı tıbbi görüntü veri seti kullanılarak değerlendirilmiştir. Önerilen yaklaşımların performans değerlendirmesi için doğruluk, duyarlılık ve özgüllük oranları dikkate alınmıştır. Yapılan çalışmalar farklı derin öğrenme ağlarından elde edilen öznitelik vektörlerinin birlikte kullanılması ile sınıflandırma doğruluğu performansının yükseldiğini göstermiştir. Bununla beraber birden fazla derin öğrenme ağı öznitelik vektörü kullanımından dolayı yükselen vektör boyutlarının otomatik kodlayıcı ile büyük oranda düşürüldüğünde performans değerlerinin düşmediği görülmektedir. Önerilen yaklaşım kapsamında LDA, SVM ve ANN gibi bazı makine öğrenmesi ağları vektör boyutları düşürülmesine karşın yüksek sınıflandırma performansı göstermiştir.
Özet (Çeviri)
Accurate classification of medical images is crucial in clinical decision-making processes. In this thesis, novel approaches are developed for the classification of medical images, utilizing deep learning networks and various machine learning models. Feature vectors of multiple deep learning networks are concatenated to enhance classification accuracy. Processing costs are reduced by decreasing vector dimensions using an Autoencoder, a machine learning model. The final feature vectors are classified using different machine learning algorithms to evaluate the performance of the approach when used in conjunction with various machine learning models. The effectiveness of the proposed approach is evaluated using three different medical image datasets, with accuracy, sensitivity and specificity rates serving as a metric for performance evaluation. The studies demonstrate that combining feature extraction from different deep learning networks improves classification accuracy. Despite the increased feature vector dimensions due to using feature vectors of multiple deep learning networks, performance values do not significantly decrease when these dimensions are substantially reduced with the autoencoder. Within the proposed approach, machine learning models such as LDA, SVM, and ANN exhibit high classification performance even after reducing feature vector dimensions.
Benzer Tezler
- Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches
Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması
İLKNUR AKTEMUR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks
Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi
FURKAN ÖZÇELİK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Pansharpening using generative adversarial networks with dual discriminators
Çift ayrıştırıcılı çekişmeli üretken ağlar kullanarak pankeskinleştirme
NAHİDE NESLİ CESUR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Joint calibration and reconstruction for focal plane array imaging
Odak düzlemi dizisi görüntüleme için birleşik kalibrasyon ve geriçatım
MUHAMMET UMUT BAHÇECİ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU