Image processing and machine learning techniques for Chagas disease identification and segmentation
Görüntü işleme ve makine öğrenimi teknikleri, Chagas hastalığı tanı ve segmentasyonu için
- Tez No: 857011
- Danışmanlar: YRD. DOÇ. DR. LAVDİE RADA ÜLGEN
- 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: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Çalışmamız, kemik kırığı sınıflandırması bağlamında çeşitli CNN programlar kapsamlı bir değerlendirmesini sunmaktadır. Xception, VGG19, ResNet50, DenseNet ve VGG16 gibi beş önemli modelin performansını, özel bir CNN varyantıyla birlikte inceliyoruz. Ayrıca, özellikle transfer öğrenme senaryolarında derin sinir ağı eğitiminde yaygın olarak kullanılan ve belirli katmanların parametrelerini sabit tutarken diğerlerinin eğitim sürecinde güncellenmesine izin veren katman dondurma tekniğinin etkinliğini araştırıyoruz. Bu yöntem, model etkinliği ve eğitim verimliliği üzerindeki etkisi nedeniyle önemli ilgi toplamıştır. Bulgularımız, standart CNN modellerinin mimarisini değiştirmenin daha iyi doğruluk sağladığını ortaya koymaktadır. Özellikle, Xception, eğitimde \%99,59 ve doğrulamada \%99,64'lük zirve doğruluklarına ve 0,0096 minimal doğrulama kaybına ulaşarak dikkate değer bir yetenek göstermektedir. Buna karşın, ResNet50 daha düşük başlangıç doğruluklarına sahiptir ve önemli ölçüde iyileşmekte zorlanmaktadır. DenseNet, \%99,93'lük zirve doğruluğu ve 0,0022 minimal doğrulama kaybı ile dikkat çekici bir performans sergilemektedir. Özel CNN modelimiz ise eğitimde \%99,79 ve doğrulamada \%99,43'lük zirve doğruluklarına ulaşarak güçlü öğrenme yeteneklerini sergilemektedir. Sonuç olarak, en etkili modeller olarak DenseNet ve Xception, en düşük doğrulama kaybına sahip olan DenseNet'in hafif bir üstünlük sağlaması nedeniyle öne çıkmaktadır. Bu sonuçlar, tıbbi görüntüleme görevlerinde mimari seçiminin kritik rolünü vurgular ve tanı doğruluğunu ve klinik karar verme sürecini geliştirme potansiyeline işaret eder. DenseNet ve Xception'ın yüksek performansı, klinik ortamlara entegrasyonları için potansiyel sunarak, hastane bakımı ve tıbbi sonuçlar için umut vaat etmektedir.
Özet (Çeviri)
Our study provides a comprehensive evaluation of various Convolutional Neural Network (CNN) architectures in the context of bone fracture classification. We examine the performance of five prominent models: Xception, VGG19, ResNet50, DenseNet, and VGG16, alongside a custom CNN variant. Additionally, we explore the effectiveness of layer freezing, a commonly employed technique in deep neural network training, particularly in transfer learning scenarios, which involves keeping certain layers' parameters static while allowing others to be updated during training. This method has garnered significant attention for its impact on model efficacy and training efficiency. Our findings reveal that altering the architecture of standard CNN models leads to improved accuracy. Notably, Xception demonstrates notable proficiency, achieving peak accuracies of 99.59% in training and 99.64\% in validation, with a minimal validation loss of 0.0096. In contrast, ResNet50 exhibits lower initial accuracies and struggles to improve substantially. DenseNet shows remarkable performance with peak accuracies of 99.93\% and a minimal validation loss of 0.0022. Our custom CNN model displays robust learning capabilities, reaching peak accuracies of 99.79% in training and 99.43% in validation. Ultimately, DenseNet and Xception emerge as the most effective models, with DenseNet slightly outperforming due to its lowest validation loss. These results underscore the critical role of architecture selection in medical imaging tasks, with implications for enhancing diagnostic accuracy and clinical decision-making. The high performance of DenseNet and Xception suggests their potential integration into clinical settings, offering prospects for improved patient care and medical outcomes.
Benzer Tezler
- Image processing and machine learning techniques for Chagas disease identification and segmentation
Görüntü işleme ve makine öğrenimi teknikleri, Chagas hastalığı tanı ve segmentasyonu için
INASS MOHAMMED AZZAWI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. LAVDİE RADA ÜLGEN
- 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
2024
Makine MühendisliğiÇukurova ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN YAVUZ
- 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
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İLHAN UMUT
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL