Güçlendirilmiş evrişimli sinir ağı ile tıbbi görüntülerin sınıflandırııması
Classification of medical images with enhanced convolutional neural network
- Tez No: 860623
- Danışmanlar: DOÇ. DR. OKTAY YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Vücut içindeki anatomik yapıları ve organları incelemek için tıbbi görüntüleme teknikleri yaygın olarak kullanılır. Tıbbi görüntüleme teknikleri, hastalıkların erken teşhis edilmesini sağlayarak hastalığın ilerlemesini engellemekte, hekimlere teşhis konusunda yardımcı olmakta, tedaviye hızlı bir başlangıç yapılmasını sağlamakta ve tedavi sürecinin izlenmesini kolaylaştırmaktadır. Bununla birlikte bilgisayar destekli tanı sistemleri hekimlere yardımcı olurken, bu tür sistemlerde özellikle derin öğrenme modelleri gibi yapay zeka yöntemleri önemli bir rol oynamaktadır. Bu modeller, karmaşık bir yapıya sahip olabilirler, bunun yanı sıra zaman ve maliyet açısından sorunlar yaratabilirler. Bu tez çalışması kapsamında tıbbi görüntülerin sınıflandırılması için karmaşıklığı arttırmadan yüksek doğruluk sağlayan etkin bir model önerilmektedir. Önerilen model ile literatürdeki çalışmalardan daha yüksek doğruluk elde edilmesi amaçlanmış, sunulan modelde Inception bloğu ile özellik çıkarılması; ECA bloğu ile daha önemli olabilecek özelliklere odaklanılması; ASPP bloğu ile de bilgilendirici bağlam bilgisine sahip özellikler elde edilmesi amaçlanmıştır. Önerilen model beyin, böbrek, meme kanseri veri kümeleri üzerinde eğitilmiş ve test işlemleri gerçekleştirilmiştir. Beyin tümörünün sınıflandırılması için BT-large-4C veri kümesi ve Figshare veri kümesi; böbreklerde taş, kist, tümör ve normal etiketine sahip görüntülerin sınıflandırılması için BT Kidney veri kümesi; meme kanseri tümörünün sınıflandırılması için BreaKHis veri kümesi kullanılmıştır. Elde edilen sonuçlar literatürde var olan yöntemlerle karşılaştırılmış, geliştirilen modelin beyin ve böbrek veri kümelerinde daha başarılı sınıflandırma yaptığı gözlemlenmiştir. Gerçekleştirilen deneysel çalışmalarda önerilen model dört veri kümesi üzerinde eğitilmiş ve test edilmiştir. Buna göre elde edilen doğruluk değerleri BT-large-4C veri kümesi için %98,05; Figshare veri kümesi için %99,84; BT Kidney veri kümesi için %99,5; BreaKHis veri kümesi için de %96,98'dir.
Özet (Çeviri)
Medical imaging techniques are frequently employed to examine anatomical structures and internal organs. Medical imaging techniques prevent disease progression by providing early diagnosis of diseases, assisting physicians in diagnosis, accelerating treatment commencement, and facilitating monitoring of the treatment process. Moreover, computer- aided diagnosis systems support medical physicians, with artificial intelligence methodologies, particularly deep learning models, playing an essential role in such systems. These models often possess intricate architectures, potentially posing challenges concerning time and cost constraints. Within the scope of this thesis, a practical model that provides high accuracy without increasing complexity is proposed for the classification of medical images. The proposed model is aimed to obtain higher accuracy than the studies in the literature. In the presented model, feature extraction is done with the Inception Block; focusing on features that may be more important with the ECA Block; the ASPP Block aims to obtain features with informative context information. The proposed model was trained and tested on brain, kidney, and breast cancer datasets. BT-large-4C dataset and Figshare dataset for brain tumor classification; CT Kidney dataset for classification of images labeled stone, cyst, tumor, and normal; BreaKHis dataset was used for breast cancer tumor classification. The results obtained were compared with existing methods in the literature, and it was observed that the developed model performed more successful classification in brain and kidney datasets. The proposed model was trained and tested on four datasets in the experimental studies that were carried out. Accordingly, the accuracy values obtained are 98.05% for the BT-large-4C dataset; 99.84% for the Figshare dataset; 99.05% for the BT Kidney dataset; and 96.98% for the BreaKHis dataset.
Benzer Tezler
- Random capsule network (CAPSNET) forest model for imbalanced malware type classification task
Dengesiz sınıf dağılımına sahip kötü amaçlı yazılım sınıflandırma görevi ̇için rassal kapsül ağı (CAPSNET) orman modeli
AYKUT ÇAYIR
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN DAĞ
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Machine learning-adapted rapid visual screening method for prioritizing seismic risk states of masonry structures
Yığma yapıların sismik risk durumlarının önceliklendirilmesine yönelik makine öğrenmesine adapte edilmiş hızlı görsel tarama yöntemi
ONUR COŞKUN
Doktora
İngilizce
2023
İnşaat MühendisliğiHacettepe Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER ALDEMİR
- Evrişimsel sinir ağları kullanılarak video tabanlı izole işaret dili tanıma
Video-based isolated sign language recognition using convolutional neural networks
ALİ AKDAĞ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER KAAN BAYKAN