Akciğer röntgen görüntülerinden Covid'19 ve zatürre hastalığının kuantum makine öğrenmesi yöntemleri ile tahmini
Prediction of Covid'19 and pneumature from lung x-ray images using quantum machine learning methods
- Tez No: 848541
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜNEŞ HARMAN
- 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: Yalova Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 112
Özet
Kuantum evrişimli sinir ağları (QCNN'ler), kuantum hesaplamanın potansiyel olarak güçlü bazı yönlerinden yararlanarak CNN'lerin yeteneklerini genişletir. Bir dizi rastgele kuantum devresi kullanarak verileri yerel olarak dönüştürerek giriş verileri üzerinde çalışır. Klasik evrişimli sinir ağlarının verimliliğinden yola çıkarak, Evrişimli sinir ağını (QNN'ler) kullanarak veriler analiz edilmiş, tahminler yapılmış ve sonuçlar değerlendirilmiştir. Kuantum halinde kodlanmış covid'19 veri setinin ikili sınıflandırması gerçekleştirilmiştir. Ayrıca Pennylane'in“varsayılan qubit”cihazındaki farklı parametreleri de dikkate alarak performansı araştırılmıştır. Kullanılan veri seti modeli için 250 eğitim ve 65 test görüntüsü içermektedir. Veri setinde verilen görüntüler gerçek hayattaki göğüs röntgenidir ve önceden değiştirilmemiştir. Ancak hesaplama kaynaklarındaki bazı sınırlamalar nedeniyle bu çalışmada boyut 28x28 olarak tutulmuştur. Model-1, 'Normal Kişi' ve 'Covid'19/Viral Pnömoni' olmak üzere iki sınıf arasında sınıflandırma yapar. Model-2, 'Covid'19' ve 'Viral Pnömoni' olmak üzere iki sınıf arasında sınıflandırma yapar. Kuantum Sınıflandırıcısı 1'de, Temel Veri Analizi ile çıkarılan 256 öznitelik boyutlu girdi verisinden 11 öznitelik kullanılmıştır. Burada yaklaşık %70 doğruluk elde edilmiştir. Kuantum Sınıflandırıcısı 2'de TruncatedSVD yöntemini kullanarak her görüntünün 256 özniteliği 4'e indirilmiştir. Yaklaşık %72 doğruluk (accuracy) elde edilmiştir. Kuantum Sınıflandırıcısı 3'de verileri yalnızca 2 özniteliğe indirgenmiştir. Beklenmedik bir şekilde bu daha önce yaklaşılanların en yükseği olan %76 doğruluğu vermiştir.
Özet (Çeviri)
Quantum convolutional neural networks (QCNNs) expand the capabilities of CNNs by leveraging some of the potentially powerful aspects of quantum computing. It works on the input data by locally transforming the data using a series of random quantum circuits. Based on the efficiency of classical convolutional neural networks, using Quanvolutional neural networks (QNNs) data were analyzed, predictions were made and results were evaluated. Binary classification of the covid'19 data set encoded in quantum form was performed. In addition, the performance of Pennylane's“default qubit”device was investigated by taking into account different parameters. The dataset used contains 250 training and 65 test images for the model. The images provided in the dataset are real-life chest X-rays and have not been previously modified. However, due to some limitations in computational resources, the size is kept as 28x28 in this study. Model-1 classifies between two classes, 'Normal Person' and 'Covid'19/Viral Pneumonia'. Model-2 classifies between two classes, 'Covid'19' and 'Viral Pneumonia'. In Quantum Classifier 1, 11 features were used from 256 feature sized input data extracted by Fundamental Data Analysis. Here, approximately 70% accuracy has been achieved. Using the TruncatedSVD method in Quantum Classifier 2, 256 features of each image are reduced to 4. Approximately 72% accuracy (accuracy) was obtained. In Quantum Classifier 3, its data is reduced to only 2 features. Unexpectedly, this yielded an accuracy of 76%, the highest ever approached.
Benzer Tezler
- 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
- Sağlık alanında derin öğrenme yöntemlerinin incelenmesi
Investigation of deep learning methods in healthcare
YAREN ÖZSOY
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ TAŞKIN
- Radyoloji görüntülerinden COVID19 zatürresi analizi
COVID 19 pneumonia analysis from radiology images
MUHAMMED MEHDİ MENTEŞ
Yüksek Lisans
Türkçe
2022
BiyomühendislikBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ORHAN ERDEM HABERAL
DR. ÖĞR. ÜYESİ MEHMET YÜKSEKKAYA
- Derin öğrenme kullanarak tıbbi görüntülerde COVID-19 ve zatürre tespiti
Detection of COVID-19 and pneumonia in medical images using deep learning
İREM KURA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY
- Yapay zeka tabanlı akciğer röntgen görüntülerinden covıd-19 tespiti
Covid-19 detection from artificial intelligence based lung x-ray images
ÖZGÜR KART
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ