Geri Dön

Image processing and machine learning techniques for Chagas disease identification and segmentation

Görüntü işleme ve makine öğrenimi teknikleri, Chagas hastalığı tanı ve segmentasyonu için

  1. Tez No: 845736
  2. Yazar: INASS MOHAMMED AZZAWI
  3. Danışmanlar: DR. LAVDİE RADA ÜLGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 89

Özet

Chagas disease, caused by the Trypanosoma cruzi parasite, poses a significant health threat, particularly in Latin America, with millions affected globally. Traditional diagnostic methods relying on manual microscopic examination are labor-intensive and error-prone. This thesis introduces a novel approach using deep learning techniques to automate and enhance the detection of Trypanosoma cruzi in blood smear images and videos, a crucial step towards efficient and reliable diagnostics in endemic regions. The research analysed two distinct datasets: a high-resolution image dataset and a video dataset, each with unique characteristics and challenges. The image dataset comprises patches extracted from original images and categorized into regions of interest, some containing parasites and others not. The video dataset, capturing 32 minutes of footage, offering insights into the behavior of T. cruzi in various conditions. For image dataset, this study explores advanced deep learning models like Faster RCNN, RetinaNet, YOLOv8, and FCOS for automated parasite detection. These models are selected for their rapid and precise detection capabilities and are evaluated using key metrics such as Mean Average Precision (mAP) across different Intersection over Union (IoU) thresholds. The YOLOv8 model, in particular, demonstrates exceptional performance, indicating a high mAP of 0.951 in parasite detection and localization. For video datasets, the thesis focuses on video-based detection and segmentation of Chagas disease. Utilizing advanced machine learning models such as YOLOv5 and ResNet-50 based detection model, navigating the challenges posed by the virus's rapid movement and irregular shape. Despite achieving high accuracy, roughly 96%, with YOLOv5, the study acknowledges the limitations encountered in video segmentation and the complexities arising from video data characteristics like low resolution and insufficient annotations. The exploration into unsupervised methods like optical flow and background subtraction further underscores the complexities of accurate detection in dynamic video environments. This research has significant implications for healthcare in Chagas-affected regions. It offers a rapid, automated solution to Chagas disease detection, reducing reliance on skilled manual analysis and potentially transforming diagnostics in resource-limited settings. The adaptability of the models for other parasitic infections also broadens their impact in global health.

Özet (Çeviri)

Chagas hastalığı, Trypanosoma cruzi paraziti tarafından tetiklenen önemli bir sağlık tehdidini temsil eder, özellikle Latin Amerika'da milyonlarca kişiyi etkilemektedir. Geleneksel mikroskopik incelemeye dayanan manuel tanı yöntemleri, hem iş yoğunluğu hem de hata olasılıkları nedeniyle sorunludur. Bu tez, Trypanosoma cruzi'nin kan yayma görüntüleri ve videolarındaki tespiti otomatikleştirmek ve geliştirmek için derin öğrenme tekniklerini kullanarak etkili ve güvenilir tanıya yönelik yeni bir yaklaşımı tanıtır. Araştırma, yüksek çözünürlüklü bir görüntü veri kümesi ve bir video veri kümesi olmak üzere iki farklı veri kümesini analiz etti; her biri benzersiz özelliklere ve zorluklara sahiptir. Görüntü veri kümesi, orijinal görüntülerden çıkarılan yama parçalarını içerir ve parazit içeren veya içermeyen ilgi alanlarına kategorize edilir. 32 dakikalık bir görüntü veri kümesi, T. cruzi'nin çeşitli koşullardaki davranışlarına dair içgörüler sunar. Görüntü veri kümesi için, bu çalışma Faster RCNN, RetinaNet, YOLOv8 ve FCOS gibi gelişmiş derin öğrenme modellerini otomatik parazit tespiti için keşfeder. Bu modeller, hızlı ve hassas tespit yetenekleri nedeniyle seçilmiş ve Mean Average Precision (mAP) gibi temel ölçümler kullanılarak farklı Intersection over Union (IoU) eşiklerinde değerlendirilir. Özellikle YOLOv8 modeli, parazit tespiti ve konumlandırma konusunda yüksek mAP değeri olan 0.951 performans sergiler. Video veri kümesi için tez, Chagas hastalığının video tabanlı tespiti ve segmentasyonuna odaklanır. YOLOv5 ve ResNet-50 tabanlı bir tespit modeli gibi gelişmiş makine öğrenimi modelleri kullanılarak virüsün hızlı hareketi ve düzensiz şekli tarafından ortaya çıkan zorlukların üstesinden gelir. YOLOv5 ile yüksek doğruluk, yaklaşık \%96, elde edilse de, video segmentasyonundaki zorluklar ve düşük çözünürlük ile yetersiz etiketleme gibi video veri özelliklerinden kaynaklanan karmaşıklıklar kabul edilir. Optik akış ve arka plan çıkarma gibi denetimsiz yöntemlere yönelik keşifler, dinamik video ortamlarında doğru tespitin karmaşıklıklarını daha da vurgular. Bu araştırma, Chagas etkilenen bölgelerde sağlık için önemli sonuçlar taşımaktadır. Hızlı ve otomatik bir çözüm sunarak, hastalık tespitinde beceri gerektiren manuel analize olan bağımlılığı azaltır ve kaynak kısıtlı ortamlarda tanıyı potansiyel olarak dönüştürür. Modellerin diğer paraziter enfeksiyonlar için uyarlanabilirliği, küresel sağlık üzerindeki etkilerini genişletir.

Benzer Tezler

  1. Image processing and machine learning techniques for Chagas disease identification and segmentation

    Görüntü işleme ve makine öğrenimi teknikleri, Chagas hastalığı tanı ve segmentasyonu için

    MUKARRAM SALAH BASHIER ABDULMAWJOOD

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. LAVDİE RADA ÜLGEN

  2. Development of an autonomous drone-based irrigation decision support system utilizing image processing and machine learning techniques

    Görüntü işleme ve makine öğrenimi tekniklerini kullanan otonom drone tabanlı sulama karar destek sistemi geliştirilmesi

    MOHAMAD BASHIR AJAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiÇukurova Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN YAVUZ

  3. Sürücü uykululuğunun gerçek zamanlı görüntü işleme ve makine öğrenmesi teknikleri ile tespitine yönelik bir sistem tasarımı ve uygulaması

    Designing and implementation of driver sleepiness detection system by using real-time image processing and machine learning techniques

    MUHAMMED OZAN AKI

    Doktora

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İLHAN UMUT

  4. Techniques for assisting users in making security decisions

    Başlık çevirisi yok

    SEVTAP DUMAN

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgi ve Belge YönetimiNortheastern University

    DR. ENGİN KİRDA

  5. Optimization of deep neural network architectures for the forest fire detection

    Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu

    BERRİN SAVDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜŞTAK ERHAN YALÇIN

    PROF. DR. HAZIM KEMAL EKENEL