Geri Dön

Derin öğrenme yöntemleri kullanılarak anne sağlığı risk analizi yapılması

Maternal health risk analysis using deep learning methods

PDF İndir

  1. Tez No: 884304
  2. Yazar: BURÇİN YÖNEL ÖNEM
  3. Danışmanlar: PROF. DR. HACER KARACAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin öğrenme, Risk analizi, Sınıflandırma, Deep learning, Risk analysis, Classification
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Hamilelik döneminde kadınlar, oluşabilecek komplikasyonlar açısından yüksek risk altında bulunur. Bu riskler birçok zaman düşük ve ölümle sonuçlanmaktadır. Bu yüzden de hamilelik boyunca ve hamilelikten önce kadın sağlığı hem anne hem çocuk için önemli rol oynamaktadır. Doğumdan önce ve sonra, anne ve bebeğin sağlık takibi, oluşabilecek riskleri en aza indirmek için önemlidir. Bu kapsamda, derin öğrenmeye dayalı modeller, görüntüler, sağlık kayıtları ve zaman verileri kullanılarak komplikasyonların tahminini kolaylaştırmak gibi çok çeşitli çalışmalar yapılmış ve tıbbi görevler için kullanılmıştır. Bu çalışmada kullanılan tabular veri setine TabNet modeli uygulanarak anne sağlığı risk analizi tahminlemesi gerçekleştirilmiştir. Kullanılan veri seti Institute of Electrical and Electronics Engineers (IEEE) veri portu tarafından temin edilmiş olup, bu veri seti, 450 kayıt ve 130 öznitelik içermektedir. MSF (Mother's Significant Feature) veri setiyle yapılan çalışmada 8 farklı kategoride risk analizi yapılmaktadır. Küçük ve tabular veri setlerinde daha iyi sonuç veren TabNet yönteminden faydalanılmıştır. Çalışmadaki amaç, derin öğrenme modeli olan TabNet modelini kullanılarak klasik makine öğrenmesiyle yapılan tahminlemelerden daha yüksek doğruluk oranları bulmak ve bu sayede anne sağlığı risk analizi yaparken risk tahminleme oranlarını yükseltmektir. Yapılan deneyler sonucunda, kullanılan yöntemle doğruluk (accuracy) oranlarının erken doğum (Preterm) (+%2.2), bebekte doğumdan sonra sarılık tespiti (Jaundice) (+%0.55), sezaryen doğum (C-Section) (+%5.55), vajinal doğum (Vaginal Delivery) (+%28.6) kategorileri için arttığı, tam zamanında doğum (Fullterm) doğruluk oranının sabit kaldığı görülmüştür. Bu oranlar doğrultusunda derin öğrenme ile hamilelik döneminde anne ve bebek sağlığı açısından risk oluşturabilecek durumların doğru tahmin edilebilmesi daha da kolaylaşacak ve tıbbi olarak anne sağlığı riski azaltılabilecektir.

Özet (Çeviri)

During pregnancy, women are at high risk of complications. These risks often result in miscarriage and death. Women's health during and before pregnancy therefore plays an important role for both mother and child. Health monitoring of mother and baby, before and after birth, is important to minimize risks. In this context, deep learning-based models have been used for a wide range of medical tasks, such as facilitating the prediction of complications using images, health records and time data. In this study, the TabNet model was applied to the tabular dataset used in this study and maternal health risk analysis prediction was performed. The dataset used was provided by the Institute of Electrical and Electronics Engineers (IEEE) data port and this dataset contains 450 records and 130 attributes. In the study conducted with the MSF (Mother's Significant Feature) dataset, risk analysis is performed in 8 different categories. TabNet method, which gives better results in small and tabular datasets, was utilized. The aim of the study is to find higher accuracy rates than the predictions made by classical machine learning using the deep learning model TabNet model and thus to increase the risk prediction rates when performing maternal health risk analysis. As a result of the experiments, it was observed that the accuracy rates increased for the categories of Preterm (+2.2%), Jaundice (+0.55%), C-Section (+5.55%), Vaginal Delivery (+28.6%), while the accuracy rate for full-term birth remained constant. In line with these rates, deep learning will make it easier to accurately predict situations that may pose a risk to maternal and infant health during pregnancy and medically reduce the risk to maternal health.

Benzer Tezler

  1. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Tez No

    193271

    Ankara ilindeki üç ilköğretim okulu öğrencilerinin epilepsiye yaklaşımı ve hastalık hakkındaki bilgi düzeyleri

    Knowledge of epilepsy and attitudes towards the condition among three elementary schools students in Ankara

    İKBAL OK BOZKAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2006

    Çocuk Sağlığı ve HastalıklarıGazi Üniversitesi

    Çocuk Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. AYŞE SERDAROĞLU

  3. Tez No

    342462

    Ortaöğretim öğrencilerinin öğrenme yaklaşımları ve başarı amaç yönelimlerinin akademik başarı ile ilişkisinin incelenmesi

    Examination of relationship of college students learning approaches and achievement goal orientations with academic achievement

    AMİNE CANIDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Eğitim ve ÖğretimAnkara Üniversitesi

    Ölçme ve Değerlendirme Ana Bilim Dalı

    DOÇ. DR. ÖMAY ÇOKLUK

  4. Tez No

    706796

    Die wirkung der pragmalinguistik auf den daf unterricht

    Edimbilimin Almanca yabancı dil dersine etkisi

    HATİCE KOÇ

    Yüksek Lisans

    Almanca

    Almanca

    2022

    Eğitim ve ÖğretimNecmettin Erbakan Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    PROF. DR. HASAN YILMAZ

  5. Tez No

    581887

    Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models

    Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma

    NEŞE GÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUĞ BAYAZIT

Geri Dön