An efficient application based on deep learning techniques for brain MRI recognition
Başlık çevirisi mevcut değil.
- Tez No: 844670
- Danışmanlar: DR. ÖĞR. ÜYESİ MERVE BULUT YILGÖR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Kötü huylu kanserler, kaynaklandığı yerden yayılabilir ve beyin tümörlerine neden olabilir. Kanser hastalarının %40'ından fazlasında beyin metastazı gelişmiştir. Şu anda primer beyin tümörleri ile aynı oranda görülmektedir. Manyetik Rezonans Görüntüleme (M.R.I.), beyin tümörlerini teşhis etmek için en yaygın kullanılan tıbbi görüntüleme tekniklerinden biridir. Bu çalışma, beyin tümörü tespiti için derin öğrenmeye dayalı yeni bir hibrit uygulama geliştirdi. Geliştirilen çalışmada, Evrişimsel Sinir Ağı (CNN) M.R.I.'a uygulanarak öznitelik katsayıları çıkarılmıştır. Görüntüler. Ardından, bir otomatik kodlayıcı kullanılarak elde edilen özellik vektörlerinin en anlamlısı seçilir. Böylece öznitelik vektörü boyutu küçültülmüştür. Daha sonra SoftMax ile sınıflandırma yapılır. Bu geliştirilen algoritma, rastgele çapraz doğrulama kullanarak %96,7 doğruluk oranı elde etmiştir.
Özet (Çeviri)
Malignant cancers can spread from where they originated and cause brain tumors. More than 40% of cancer patients developed brain metastases. It is currently seen at the same rate as primary brain tumors. Magnetic Resonance Imaging (M.R.I.) is one of the most widely used medical imaging techniques to diagnose brain tumors. This study developed a new hybrid application based on deep learning for brain tumor detection. In the developed study, the feature coefficients are extracted by applying the Convolutional Neural Network (CNN) to the M.R.I. images. Then the most significant of the resulting feature vectors are selected using an auto- encoder. Thus, the feature vector size is reduced. Then classification is performed with SoftMax. This developed algorithm obtained a 96.7% accuracy rate using random cross-validation.
Benzer Tezler
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- İmalat sistemlerinin tasarlanması ve öncelik kurallarının belirlenmesinde yapay sinir ağlarının kullanılması
Başlık çevirisi yok
TARIK ÇAKAR
Doktora
Türkçe
1997
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. AYHAN TORAMAN
- 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 tabanlı süper çözünürlük teknikleri kullanarak JPEG sıkıştırma kaybının iyileştirilmesi
Recovering JPEG compression loss via deep learning-based super resolution techniques
MUHAMMET BOLAT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
DR. NURULLAH ÇALIK
- Emotion aware artificial intelligence for cognitive systems
Bilişsel sistemler için duygu farkındalıklı yapay zeka
DEĞER AYATA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
PROF. DR. MUSTAFA ERSEL KAMAŞAK