Faster detection of intracranial hemorrhages optimized freeze-inception-resnet model: A study with RSNA dataset
İntrakraniyal kanamalarin daha hizli tespiti optimizeedilmiş freeze-inception-resnet modeli: RSNA veri seti ilebir çalişma
- Tez No: 878269
- Danışmanlar: 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: Belirtilmemiş.
Özet
Bu tez, kafa içi kanama görüntülerinin alt türlerini doğru ve hızlı bir şekilde eğitebilen ve kategorize edebilen evrişimli bir sinir ağı mimarisi sunmaktadır. Tespit sistemimiz, bu çalışmada sunduğumuz Freeze-Inception-Resnet modeli adı verilen bir modele dayanmaktadır ve ResNet derin öğrenme modelinin Inception modeliyle birleştirilmiş geliştirilmiş bir versiyonudur. Çalışmamız, büyük boyutu ve yavaş sonuçları nedeniyle zorluk teşkil eden RSNA intrakraniyal kanama tespit veri setine odaklandı. Bu engelleri aşmak için, veri setini ön işledik, meta verileri ve gereksiz görüntüleri kaldırdık, modeli önceden eğittik ve ince ayar yaptık, performansını test ettik, bazı katmanları kaldırdık ve diğerlerini dondurduk. Çeşitli grup boyutlarının, öğrenme oranlarının ve epokların etkisini analiz ettik ve ResNet modelinin diğer evrişimli sinir ağı modellerinden daha iyi bir performans sergilediğini, minimum ayarlama ve iterasyonlarla üstün sınıflandırma doğruluğu sunduğunu bulduk. Derin sinir ağıyı eğitmek için Leslie Smith öğrenme oranını kullandık ve eğitim sürecini geliştirmek için ayrımcı öğrenen ve grup dönüşümlerinden yararlanan FreezeInception-Resnet adında yeni bir model önerdik. Yöntemimiz, sadece iki epok sonra %91.29 doğruluk oranı elde etti ve kullanıma devam edildikçe %99'a yükseldi. İşlem zamanı alıcı olmasına rağmen, yöntemimiz intrakraniyal kanama tespitinde geleneksel vi sinir ağları ve derin öğrenme yöntemlerine kıyasla yüksek hızı nedeniyle klinik ortamlarda faydalıdır. Sonuçlarımız, derin öğrenme tekniklerinin intrakraniyal kanama tespitinin verimliliğini artırma potansiyelini göstermektedir, özellikle bazen doğruluk açısından en iyi olmayan klinik veri bağlamında. Ayrıca, Freeze-Inception-Resnet modelini kullanarak eğitim hızını ve performansını artırmanın kanıtını göstermek için önerdiğimiz yöntemi ResNet 50, InceptionNet, AlexNet gibi diğer en iyi intrakraniyal kanama tespit yöntemleriyle karşılaştırdık.
Özet (Çeviri)
This thesis presents a novel convolutional neural network architecture aimed at the efficient and accurate training and categorization of subtypes of intracranial hemorrhage images. Our detection system is built on the Freeze-Inception-Resnet model, an enhanced version of the ResNet deep learning model integrated with the Inception model. This architecture incorporates the Inception model before the ResNet model, followed by the freezing of the ResNet layers. The training process involves exclusively the last two layers to mitigate overfitting and enhance training speed. Our research primarily focused on the RSNA intracranial hemorrhage detection dataset, which presented significant challenges owing to its considerable scale and slow processing times. In order to tackle these challenges, we took the following steps: we preprocessed the dataset by removing metadata and irrelevant images, such as those of the dental area. We also pre-trained and fine-tuned the model, tested its performance, removed some layers, and froze others. Furthermore, we analyzed the impact of various batch sizes, learning rates, and epochs, and discovered that the ResNet model outperformed other convolutional neural network models. It delivered superior classification accuracy with minimal tuning and iterations. Furthermore, we utilized the Leslie Smith learning rate for training the model iv and used it in Freeze-Inception-Resnet, which leverages the discriminative learner and batch transforms to enhance the training process. Our method achieved an accuracy of 91.29 percent after only two epochs and improved to 99 percent of accuracy with continued training time. Our method is advantageous in clinical settings due to its high speed compared to traditional methods for intracranial hemorrhage detection. Our results demonstrate the potential of deep learning techniques for improving the efficiency of intracranial hemorrhage detection, especially in the context of clinical data which sometimes is not the best in accuracy. We also compared our proposed method with other best methods of intracranial hemorrhage detection like ResNet 50, InceptionNet, AlexNet and made a statement to prove the enhancement to the speed of training and performance using Freeze-Inception-Resnet model.
Benzer Tezler
- Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi
Kinetic study and detesmination of thermodnamic parameters of some esters
İBRAHİM TAŞ
Yüksek Lisans
Türkçe
1986
Kimya MühendisliğiUludağ ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. MUSTAFA CEBE
- Yanal su alma yapılı dolu gövdeli bağlamalarda ayırma duvarının sürüntü maddesine etkisi
Einfluss der trennwaendezur verhütung der seitlichen wasserentnahmen der fasten wehranglagen
TÜLAY ÖZBEK
- Yöneylem araştırması yöntemlerinin tanıtılması ve bunlara ilişkin bilgisayar proğramlarının geliştirilmesi üzerine bir çalışma
Başlık çevirisi yok
AHMET NUR BAL
Yüksek Lisans
Türkçe
1986
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞABAN EREN
- Geçmişte, günümüzde syphilis (frengi)
Syphilis today and in the past
BELKIS ÖZDEMİR
Yüksek Lisans
Türkçe
1987
DermatolojiUludağ ÜniversitesiDeontoloji ve Tıp Tarihi Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL DEMİRHAN ERDEMİR