Mikroskobik görüntüler üzerinde derin öğrenme kullanarak gerçek zamanlı protozoa tespiti
Real-time protozoa detection using deep learning on microscopic images
- Tez No: 864315
- Danışmanlar: PROF. DR. İSMAİL RAKIP KARAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Tatlı sulardan protozoa tespiti ve sınıflandırılması ve mikroskobik görüntüleme, çevresel izleme, parazitoloji, bilim, biyolojik süreçler ve bilimsel araştırmalarda kritik bileşenlerdir. Suyun bakteriyel ve parazitik kontaminasyonu toplum sağlığında önemli bir rol oynamaktadır. Geleneksel yöntemler genellikle manuel tanımlamaya dayanır, bu da zaman alıcı analizlere ve sınırlı ölçeklenebilirliğe neden olur. Bu çalışmada, olağanüstü hızı ve doğruluğu ile bilinen etkili bir derin öğrenme modeli olan YOLO algoritmasını kullanarak gerçek zamanlı bir protozoa tespit eden bir model önerilmektedir. Çalışmada kullanılan veri seti, tatlı sularda bulunan ve farklı şekil, boyut ve hareketlere sahip olan Bdelloid Rotifera, Sty-lonychia Pustulata, Paramecium, Hypotrich Ciliate, Colpoda, Lepocinclis Acus ve Clathrulina Elegans gibi protozoa türlerinin görüntülerinden oluşmaktadır. Çalışmamızın en önemli özelliklerinden biri, yağmur suyu ve su birikintileri gibi çeşitli su kaynaklarından farklı kültürler oluşturarak bir veri kümesi oluşturmaktır. Ağ mimarimiz, protozoanın tespitini optimize etmek için dikkatlice uyarlanmıştır ve tek hücreli canlıların hassas bir şekilde tespitini ve sınıflandırılmasını sağlar. Modelin başarısını doğrulamak için, gerçek dünya mikroskobik görüntü veri kümeleri kullanılarak kapsamlı deneyler gerçekleştirilmiştir. Sonuçlar, YOLO tabanlı modelin yüksek tespit doğruluğuna ulaştığını ve hız ve hassasiyet açısından geleneksel yöntemlerden önemli ölçüde daha iyi performans gösterdiğini ortaya koymaktadır. Modelin gerçek zamanlı çalışma yetenekleri, büyük ölçekli veri kümelerinin hızlı bir şekilde analiz edilmesini sağlayarak dinamik çalışmalar ve zamana duyarlı uygulamalar için son derece uygun hale getirmektedir. Değerlendirme parametreleri f1-skor 0.95, ortalama kesinlik 0.92, duyarlılık 0.99 ve mAP 0.983 olarak elde edilmiştir. Önerilen model %98 doğruluk oranına ulaşmıştır. Yüksek verimliliğe ulaşıldıktan sonra, modelin test edilmesini sağlamak için bir masaüstü uygulaması geliştirilmiştir. Önerilen modelin hızı ve doğruluğu, paramesiyoloji/parazitoloji çalışmaları için destekleyici bir araçtan su kalitesi değerlendirmelerine kadar çeşitli alanlar için önemli etkilere sahiptir.
Özet (Çeviri)
Detection and classification of protozoa from freshwater and microscopic imaging are critical components in environmental monitoring, parasitology, science, biological processes and scientific research. Bacterial and parasitic contamination of water plays an important role in public health. Traditional methods often rely on manual identification, resulting in time-consuming analysis and limited scalability. In this study, we propose a real-time protozoa detection model using the YOLOv4 algorithm, a state-of-the-art deep learning model known for its exceptional speed and accuracy. The dataset used in the study consists of images of protozoa species such as Bdelloid Rotifera, Sty-lonychia Pustulata, Paramecium, Hypotrich Ciliate, Colpoda, Lepocinclis Acus and Clathrulina Elegans, which are found in freshwater and have different shapes, sizes and movements. One of the most important features of our work is to build a dataset by creating different cultures from various water sources such as rainwater and puddles. Our network architecture has been carefully adapted to optimize the detection of protozoa and enables precise detection and classification of unicellular organisms. To validate the success of the model, extensive experiments were conducted using real-world microscopic image datasets. The results reveal that the YOLOv4-based model achieves exceptional detection accuracy and significantly outperforms traditional methods in terms of speed and precision. The model's real-time operating capabilities enable large-scale datasets to be analyzed quickly, making it highly suitable for dynamic studies and time-sensitive applications. The evaluation parameters were obtained as f1-score 0.95, precision 0.92, average recall 0.99 and mAP 0.983. The proposed model achieved 98% accuracy. After achieving high efficiency, a desktop application was developed to test the model. The speed and accuracy of the proposed model has important implications for various fields, ranging from a supporting tool for paramesiology/parasitology studies to water quality assessments.
Benzer Tezler
- Directional regularization based variational models for image recovery
Görüntü onarımı için yön güdümlü düzenlemeye dayalı varyasyonel modeller
EZGİ DEMİRCAN TÜREYEN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Yapay zeka yöntemi ile bölütlenmiş karmaşık damar yapılarının üç boyutlu biyoyazıcı ile üretimi
Fabrication of complex vessel structures segmented by artificial intelligence method with three dimensional bioprinter
SERKAN SÖKMEN
Yüksek Lisans
Türkçe
2022
BiyomühendislikHacettepe ÜniversitesiBiyomühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SONER ÇAKMAK
DOÇ. DR. İLKAY ÖKSÜZ
- Derin öğrenme ile covıd-19, beyaz kan hücreleri, tüberküloz ve kalp krizi riskinin analizi
Analysis of covid-19, white blood cells, tuberculosis and heart attack risk by using deep learning
ÖMER SEVİNÇ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
DOÇ. DR. MEHMET SERDAR GÜZEL
- Deep learning enhanced microscopy by training a convolutional neural network and a generative adversarial network with data collected using a line scanning confocal microscope
Başlık çevirisi yok
AMIR MOHAMMAD KETABCHI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER KİRAZ
- Mikroskopik görüntüler üzerinde derin öğrenme algoritmaları kullanarak hastalıklı hücrelerin otomatik tanımlanması
Automated identification of diseased cells from microscopic images using deep learning algorithms
MÜCAHİT BÜYÜKYILMAZ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ OSMAN ÇIBIKDİKEN