Dermatolojik hastalıkların teşhisinde derin öğrenme tabanlı yöntemlerin kullanılması
The use of deep learning-based methods in the diagnosis of dermatological diseases
- Tez No: 884780
- Danışmanlar: DR. ÖĞR. ÜYESİ BARIŞ KARAKAYA, PROF. DR. BETÜL DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Devreler ve Sistemler Bilim Dalı
- Sayfa Sayısı: 67
Özet
Sedef hastalığı (psoriasis) insan yaşamını oldukça etkileyerek yaşam standartlarını düşüren, görülme sıklığı gittikçe artan önemli bir cilt hastalığıdır. Bu cilt hastalığının çeşitli türleri bulunmaktadır ve türlerinin doğru bir şekilde teşhis edilebilmesi; tedavi ve hastaların yaşam kalitesinin artırılabilmesi açısından oldukça büyük önem taşımaktadır. Bu çalışmada, literatürde yer alan psoriasis hastalığına ait sınıflandırma yapılmış uygulamalara ek olarak yeni bir yöntem geliştirilmiştir. Bu yöntemle psoriasis hastalığının daha yüksek bir başarım oranıyla sınıflandırılması mümkün kılınmıştır. Bu yeni yöntemde literatürde oldukça sık kullanılan üç derin öğrenme modeli (DenseNet-121, EfficientNetB0 ve ResNet50) çoklu model birleşimi yapılarak klinik olarak özgün elde edilmiş veri seti ile eğitilmiştir. Belirtilen üç model birleştirilerek bir topluluk öğrenmesi modeli ortaya koyulmuştur. Bu model ile psoriasis hastalık türleri daha iyi ve başarılı bir şekilde sınıflandırılmıştır. Çalışmada kullanılan veri seti, Fırat Üniversitesi Hastanesi Dermatoloji Polikliniğinde tedavi gören hastaların görüntülerinden oluşturulmuştur. Veri setinde; uzman doktorlar tarafından etiketlenmiş Generalize, Guttat, Plak ve Püstüler Psoriasis olmak üzere dört türe ait fotoğraflar bulunmaktadır. Başlangıçta ayrı ayrı eğitilmiş ve test edilmiş üç derin öğrenme modeli arasından en başarılı sonuçlar DenseNet-121 modeli ile elde edilmiştir. Üç modelin son katman özelliklerinin birleştirilmesi ile elde edilen topluluk öğrenme modeli ile de çoğu performans ölçüm metriklerinde diğer üç modelden daha başarılı sonuçlar elde edilip doğruluk oranı olarak %93 başarım hesaplanmıştır. Bu çalışma ile dört sınıfın yer aldığı veri setinin %93'lik bir doğruluk oranıyla teşhis edilebilmesi sağlanmıştır.
Özet (Çeviri)
Psoriasis is an important skin disease with an increasing prevalence that has a significant impact on human life and reduces living standards. There are various types of this skin disease and accurate diagnosis of its types is of great importance in terms of treatment and improving the quality of life of patients. In this study, a new method was developed in addition to the classification of psoriasis in the literature. With this method, it is possible to classify psoriasis disease with a higher success rate. In this new method, three deep learning models (DenseNet-121, EfficientNetB0 and ResNet50), which are frequently used in the literature, were trained with a clinically unique dataset by combining multiple models. The three models were combined to create an ensemble learning model. With this model, psoriasis disease types were classified better and successfully. The dataset used in the study was created from the images of patients treated at the Dermatology Outpatient Clinic of Fırat University Hospital. The dataset contains images of four types of psoriasis, namely Generalized, Guttate, Plaque and Pustular Psoriasis, labeled by expert doctors. Among the three deep learning models that were initially trained and tested separately, the most successful results were obtained with the DenseNet-121 model. The ensemble learning model, which is obtained by combining the last layer features of the three models, outperformed the other three models in most performance metrics and achieved 93% accuracy. In this study, a dataset with four classes was identified with an accuracy rate of 93%.
Benzer Tezler
- Skin lesion classification with machine learning
Makine öğrenmesi ile cilt lezyonu sınıflandırması
ESRA SENDEL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Deep learning analysis in dermoscopy images
Dermoskopi görüntülerinde derin öğrenme analizi
FATİH ERGİN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL BURAK PARLAK
- Diagnosing melanoma cancer using deep learning
Derin öğrenme kullanarak melanoma kanseri tespiti
SEDA BÜŞRA BAKIR
Yüksek Lisans
İngilizce
2023
DermatolojiGaziantep ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ KILIÇ
PROF. DR. SADETTİN KAPUCU
- Kronik ürtiker ve atopik dermatitte deri prick test ve total İgE sonuçlarının değerlendirilmesi
Evaluatin of skin prick test and total İgE levels in chronic urticaria and atopic dermatitis
ABDURRAHMAN ASLAN
Tıpta Uzmanlık
Türkçe
2015
Allerji ve İmmünolojiEskişehir Osmangazi ÜniversitesiDeri ve Zührevi Hast. Ana Bilim Dalı
DOÇ. DR. ZEYNEP NURHAN SARAÇOĞLU
- Lipoid proteinosis hastalarında serbest amino asit profilinin incelenmesi
Investigation of free amino acid profile in lipoid proteinosis patients
MEHMET EKMEN
Yüksek Lisans
Türkçe
2019
BiyokimyaHarran ÜniversitesiBiyokimya Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATAMAN GÖNEL