Detection and measurement of multilevel COVID-19 infection using gamma correction and features extracted by CNN enhanced with xgboost from CT scan images
BT tarama görüntülerinden gama düzeltme ve xgboost ilegeliştirilmiş CNN kullanılarak çok düzeyli covıd-19enfeksiyonunun ölçümü ve tespiti
- Tez No: 854987
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA AKSU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Kırşehir Ahi Evran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 113
Özet
Radyasyon teşhisi alanı, yapay zekâ (AI), bilgisayarlı görüş ve gelişmiş tıbbi görüntüleme teknikleri gibi yenilikçi teknolojilerin desteklediği hızlı ilerlemelerden geçmektedir. Bu dinamik ortamda bilgisayarlı tomografi (BT) görüntüleme, özellikle hem COVID-19 hem de akciğer tümörleriyle ilişkili klinik değişikliklerin tanımlanmasında öne çıkan bir yöntem olarak ortaya çıkmıştır. Göğüs röntgeni, çeşitli tıbbi görüntüleme teknikleri ve BT taramalarının kullanımı, COVID-19'un hızlı ve doğru tanısı için pratik ve etkili bir araç olarak önerilmiştir. Özellikle BT taramaları, aşırı koşullar altında yanlış negatif sonuçların ortaya çıkabileceği durumlarda bile, COVID-19'un varlığını tespit etmede yüksek hassasiyet göstermiştir. Ancak COVİD-19 pozitifliğini belirlemek için röntgen ve BT görüntülerinin uzmanlar tarafından analiz edilmesi zaman alıcı ve zorlu bir süreçtir. Bu çalışma, zorlukların üstesinden gelmek ve teşhis sürecini iyileştirmek için evrişimli sinir ağlarının (CNN'ler) uygulanmasını ele alıyor. Bu CNN'ler, transfer öğrenimi yoluyla elde edilen bir başarı olan ilgisiz öğeleri filtrelerken görüntüleri doğru bir şekilde kategorize etmede çok önemli bir rol oynuyor. Transfer öğreniminde önceden var olan yöntemler, ImageNet gibi kapsamlı veri kümelerinden temel özellikleri toplayarak bunları yeni görevlere etkili bir şekilde uygular. Makine öğrenimi tekniklerindeki ilerlemelere rağmen, CNN'lerin etkinliği hala CT görüntülerinden ilgili niteliklerin çıkarılmasına bağlıdır. Bu nedenle çalışma, göğüs BT taramaları ve X-ışını görüntülerinin kullanımının, COVID-19'u tespit etmek için önemli bir potansiyele sahip olduğunu ve bu potansiyelin, DenseNet, ResNet ve VGG-16 gibi önceden eğitilmiş CNN'ler kullanılarak daha da artırılabileceğini öne sürüyor. İki farklı veri kümesinden (Covid Veri 1 ve Covid Veri 2) elde edilen sonuçlar ile CNN net ve XGBoost sınıflandırıcısını içeren çeşitli modellerin sonuçları karşılaştırıldı ve analiz edildi. Her iki veri kümesinde de XGBoost, görüntü boyutu ve eğitim ayarlarından bağımsız olarak doğruluk açısından sürekli olarak CNN ağını geride bırakıyor. Covid Veri 1, test edilen tüm modellerde ve ayarlarda genellikle Covid Veri 2'ye kıyasla daha yüksek doğruluk sergiliyor. Özellikle XGBoost, GC (ϒ=1.5) ile eğitildiğinde ve 128x128 ve 256x256 piksel görüntü boyutlarını kullandığında, Covid Veri 1 için %97.94'e ve Covid Veri 2 için %97.76'ya ulaşarak en yüksek doğruluğu elde ediyor. Öte yandan CNN ağı, hem GC'siz hem de 256x256 piksel görüntü boyutlarını kullanarak, en yüksek oranlar Covid Veri 1 için %79.54 ve Covid Veri 2 için %79.74 olmak üzere daha düşük doğruluk oranları elde ediyor. Bu nedenle, sağlanan sonuçlara göre XGBoost sınıflandırıcı, sınıflandırma görevleri için üstün bir seçim gibi görünüyor; modeller ve ayarlar genelinde tutarlı olarak daha yüksek doğruluk oranı nedeniyle tercih edilen veri seti ise Covid Veri 1'dir. Çalışma, bu modelin tanı amaçlı terapötik uygulamasına yönelik önemli ilerlemeler kaydederken, potansiyelini tam olarak gerçekleştirmek için daha fazla araştırmaya ihtiyaç duyulduğunu da kabul ediyor. Gelecekteki araştırmaların gama düzeltme ve ön işleme araçlarını kullanan ek tasarımları keşfetmesi bekleniyor. Daha karmaşık platformları eğitmek için daha büyük bir GPU bellek sınırına izin veren model eğitim seçeneklerine ilişkin hususlar önerilmektedir. Bu, gelişmiş yetenekler için başlangıç modüllerinin ve birden fazla yoğun katmanın dahil edilmesini içerebilir. Çalışmada özetlenen bir sonraki araştırma alanı, belirli mimari tarzların belirli rahatsızlıkların tedavisinde daha etkili olup olmadığını belirlemeyi amaçlayan çeşitli rahatsızlıkların sınıflandırılmasına odaklanmaktadır. Farklı hastalıklarla ilgili performans farklılıklarını araştırmak, altta yatan nedenlere dair içgörü sağlayabilir. Ek olarak, analiz sürecini geliştirmek ve model performansının daha kapsamlı ve sağlam bir şekilde değerlendirilmesini sağlamak için k-fold veri bölme gibi alternatif veri bölme yöntemleri önerilmektedir.
Özet (Çeviri)
The field of radiation diagnosis is undergoing rapid advancements, propelled by innovative technologies such as artificial intelligence (AI), computer vision, and sophisticated medical imaging techniques. In this dynamic landscape, computed tomography (CT) imaging has emerged as a prominent method, especially in the identification of clinical changes associated with both COVID-19 and lung tumors. The utilization of chest X-rays, various medical imaging techniques, and CT scans has been proposed as a practical and efficient means for the rapid and accurate diagnosis of COVID-19. Notably, CT scans have demonstrated high sensitivity in detecting the presence of COVID-19, even in cases where false negatives may occur under extreme circumstances. However, the analysis of X-rays and CT images by specialists to determine COVID-19 positivity is a time-consuming and challenging process. To address these challenges and improve the diagnostic process, the study addresses the application of convolutional neural networks (CNNs). These CNNs play a crucial role in accurately categorizing images while filtering out irrelevant elements, a feat achieved through transfer learning. In transfer learning, pre-existing methods gather essential characteristics from extensive datasets like ImageNet, effectively applying them to new tasks. Despite the advancements in machine learning techniques, the efficacy of CNNs still hinges on the extraction of relevant attributes from CT images. Therefore, the study suggests that the use of chest CT scans and X-ray images holds significant potential for detecting COVID-19, and this potential can be further enhanced by employing pre-trained CNNs such as DenseNet, ResNet, and VGG-16. The results from two distinct datasets, namely Covid Data 1 and Covid Data 2, along with various models including CNN net and XGBoost classifier, have been compared and analyzed. Across both datasets, XGBoost consistently outperforms the CNN net in terms of accuracy, regardless of the image size and training settings. Covid Data 1 generally exhibits higher accuracies compared to Covid Data 2 across all models and settings tested. Specifically, XGBoost achieves the highest accuracy, reaching up to 97.94% for Covid Data 1 and 97.76% for Covid Data 2, when trained with GC (ϒ=1.5) and using image sizes of 128x128 and 256x256 pixels. On the other hand, the CNN net achieves lower accuracies, with the highest being 79.54% for Covid Data 1 and 79.74% for Covid Data 2, both without GC and using image sizes of 256x256 pixels. Therefore, based on the provided results, the XGBoost classifier appears to be the superior choice for classification tasks, with Covid Data 1 being the preferred dataset due to its consistently higher accuracies across models and settings. While the study makes significant strides toward the therapeutic application of this model for diagnostic purposes, it acknowledges the need for further research to fully realize its potential. Future investigations are expected to explore additional designs utilizing gamma correction and pre-processing tools. To train more complex platforms, considerations for model training options that allow for a larger GPU memory limit are suggested. This could involve incorporating inception modules and multiple dense layers for enhanced capabilities. The next area of research outlined in the study focuses on the classification of various ailments, aiming to determine whether specific architectural styles are more effective in treating certain conditions. Exploring performance differences related to different illnesses could provide insights into the underlying causes. Additionally, alternative data splitting methods, such as k-fold data splitting, are suggested to enhance the analysis process, providing a more comprehensive and robust evaluation of the model's performance.
Benzer Tezler
- Pasif ve aktif radar görüntülemede hedeflerin tespiti ve odaklanmasına yönelik yeni algoritmaların geliştirilmesi
Development of new algorithms for detection and focus of targets in passive and active radar imaging
HAKAN İŞIKER
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CANER ÖZDEMİR
- Histogram-based sampling and multi-level global registration for 3D point clouds
3B nokta bulutları için histogram tabanlı örnekleme ve çok katmanlı global eşleştirme
OSMAN ERVAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- Detection and measurement of multi-COVID-19 infection using CT scans
Başlık çevirisi yok
SAFAA ADNAN AHMED BAYATLY
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Derin öğrenme ile 11 – 13 + 6 hafta gebelikte açık spina bifida belirteçlerinin otomatik tespiti ve ölçümü
Automatic detection and measurement of open spina bifida markers at 11 – 13 + 6 weeks of gestation via deep learning
DENİZ ATAŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YONCA BAYRAKDAR YILMAZ
- Vibration analysis and measurement of beams having multiple cracks
Çok çatlaklı çubukların titreşim analizi ve ölçümü
KEMAL MAZANOĞLU
Doktora
İngilizce
2011
Makine MühendisliğiDokuz Eylül ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA SABUNCU