Geri Dön

Evrişimsel sinir ağları ve çekirge optimizasyon algoritması kullanarak kolon kanser hastalığı tesbiti

Colon cancer disease diagnose with convolutional neural network and grasshopper optimization algorithm

PDF İndir

  1. Tez No: 897218
  2. Yazar: AMNA ALI A MOHAMED
  3. Danışmanlar: PROF. DR. AYBABA HANÇERLİOĞULLARI
  4. Tez Türü: Doktora
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Kastamonu Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 102

Özet

Kolon kanseri, etkili tedavi için erken ve doğru teşhis gerektiren yaygın ve potansiyel olarak ölümcül bir hastalıktır. Kolon kanserine yönelik geleneksel teşhis yaklaşımları sıklıkla doğruluk ve verimlilik açısından sınırlamalarla karşı karşıya kalır ve bu da erken teşhis ve tedavide zorluklara yol açar. Bu tez, özellik seçme yöntemine dayanan sağlam bir kolon kanseri teşhis yöntemi sunmaktadır. Kolon kanseri hastalığının teşhisi için önerilen yöntem üç adıma ayrılabilir. İlk adımda, evrişimli sinir ağına dayalı olarak görüntülerin özellikleri çıkarıldı. Evrişimsel sinir ağı için Squeezenet, Resnet-50, AlexNet ve GoogleNet kullanıldı. Çıkarılan özellikler çok büyük ve özelliklerin sayısı sistemi eğitmek için uygun olamaz. Bu nedenle ikinci adımda özellik sayısını azaltmak için metasezgisel yöntem kullanılmıştır. Bu araştırma, özellik verilerinden en iyi özellikleri seçmek için çekirge optimizasyon algoritmasını kullanır. Son olarak makine öğrenmesi yöntemleri kullanılarak kolon kanseri hastalığı tanısının doğru ve başarılı olduğu görüldü. Önerilen yöntemin değerlendirilmesinde iki sınıflandırma yöntemi uygulanmıştır. Bu yöntemler karar ve destek vektör makinesini içerir. Önerilen yöntemi değerlendirmek için duyarlılık, özgüllük, doğruluk ve F1Score kullanılmıştır. Destek vektör makinesini temel alan Squeezenet için %99,34 elde ettik; %99,41; %99,12; Duyarlılık, özgüllük, doğruluk, kesinlik ve F1Score için sırasıyla %98,91 ve %98,94 sonuçlar. Sonunda önerilen tanıma yönteminin performansını 9 katmanlı CNN, Rastgele saylar, 7 katmanlı CNN ve Drop-Block gibi diğer yöntemlerin performanslarıyla karşılaştırdık. Çözümümüzün diğerlerinden daha iyi performans gösterdiğini gösterdik.Ayrıca kolon kanserinin otomatik tespiti için yapay zekayı, özellikle de evrişimli sinir ağını (CNN) ve Fishier Mantis Optimizer'ı kullanan yenilikçi bir yöntem sunulmaktadır. Derin öğrenme tekniklerinin, özellikle CNN'nin kullanılması, tıbbi görüntüleme verilerinden karmaşık özelliklerin çıkarılmasını sağlayarak sağlam ve etkili bir teşhis modeli sağlar. Ek olarak, peygamber devesi karidesinin avlanma davranışından ilham alan, biyo-esinli bir optimizasyon algoritması olan Fishier Mantis Optimizer, CNN'nin parametrelerine ince ayar yapmak ve yakınsama hızını ve performansını artırmak için kullanılıyor. Bu hibrit yaklaşım, kolon kanseri teşhisinin doğruluğunu ve etkinliğini artırmak için hem derin öğrenmenin hem de doğadan ilham alan optimizasyonun güçlü yönlerinden yararlanarak geleneksel teşhis yöntemlerinin sınırlamalarını gidermeyi amaçlamaktadır. Önerilen yöntem, kolon kanseri görüntülerinden oluşan kapsamlı bir veri seti üzerinde değerlendirildi ve sonuçlar, geleneksel tanı yaklaşımlarına göre üstünlüğünü ortaya koydu. CNN-Fishier Mantis Optimizer modeli, kanserli ve kanserli olmayan kolon dokularını ayırt etmede yüksek hassasiyet, özgüllük ve genel doğruluk sergiledi. Biyo-ilhamlı optimizasyon algoritmalarının derin öğrenme teknikleriyle entegrasyonu, yalnızca kolon kanseri için bilgisayar destekli teşhis araçlarının geliştirilmesine katkıda bulunmakla kalmaz, aynı zamanda bu hastalığın erken tespitini ve teşhisini geliştirme ve böylece zamanında müdahaleyi ve iyileştirmeyi kolaylaştırma konusunda umut vaat eder. Hasta prognozu, kolon hastalıklarıyla ilişkili özellikleri yakalamak için GoogLeNet ve ResNet-50 gibi çeşitli CNN tasarımları kullanıldı. Ancak özniteliklerin çokluğu nedeniyle hem öznitelik çıkarımı hem de veri sınıflandırmasında yanlışlıklar ortaya çıkmıştır. Bu sorunu çözmek için, Fishier Mantis Optimizer algoritmaları kullanılarak özellik azaltma teknikleri uygulandı ve Genetik Algoritmalar ve simüle edilmiş tavlama gibi alternatif yöntemlerden daha iyi performans gösterdi. Duyarlılık, özgüllük, doğruluk ve F1 puanı gibi çeşitli metriklerin değerlendirilmesinde sırasıyla %94,87, %96,19, %97,65 ve %96,76 olarak tespit edilen cesaretlendirici sonuçlar elde edildi.

Özet (Çeviri)

Colon cancer is a prevalent and potentially fatal disease that demands early and accurate diagnosis for effective treatment. Traditional diagnostic approaches for colon cancer often face limitations in accuracy and efficiency, leading to challenges in early detection and treatment. This thesis presents a robust colon cancer diagnosis method based on the feature selection method. The proposed method for colon cancer disease diagnosis can be divided into three steps. In the first step, the images' features were extracted based on the convolutional neural network. Squeezenet, Resnet-50, AlexNet, and GoogleNet were used for the convolutional neural network. The extracted features are huge, and the number of features cannot be appropriate for training the system. For this reason, the metaheuristic method is used in the second step to reduce the number of features. This research uses the grasshopper optimization algorithm to select the best features from the feature data. Finally, using machine learning methods, the colon cancer disease diagnosis was found to be accurate and successful. Two classification methods are applied for the evaluation of the proposed method. These methods include the decision tree and the support vector machine. The sensitivity, specificity, accuracy, and F1Score have been used to evaluate the proposed method. For Squeezenet based on the support vector machine, we obtained 99.34%; 99.41%; 99.12%; 98.91% and 98.94% results for sensitivity, specificity, accuracy, precision, and F1Score respectively. In the end, we compared the suggested recognition method's performance to the performances of other methods, including 9-layer CNN, Random Forest, 7-layer CNN, and DropBlock. We demonstrated that our solution outperformed the others. Also in this thesis an innovative method presented that leverages artificial intelligence, specifically convolutional neural network (CNN) and Fishier Mantis Optimizer, for the automated detection of colon cancer. The utilization of deep learning techniques, specifically CNN, enables the extraction of intricate features from medical imaging data, providing a robust and efficient diagnostic model. Additionally, the Fishier Mantis Optimizer, a bio-inspired optimization algorithm inspired by the hunting behavior of the mantis shrimp, is employed to fine-tune the parameters of the CNN, enhancing its convergence speed and performance. This hybrid approach aims to address the lim-itations of traditional diagnostic methods by leveraging the strengths of both deep learning and nature-inspired optimization to enhance the accuracy and effectiveness of colon cancer diagnosis. The proposed method was evaluated on a comprehensive dataset comprising colon cancer images, and the results demonstrate its superiority over traditional diagnostic approaches. The CNN–Fishier Mantis Optimizer model exhibited high sensitivity, specificity, and overall accuracy in distinguishing between cancer and non-cancer colon tissues. The integration of bio-inspired optimization algorithms with deep learning techniques not only contributes to the advancement of computer-aided diagnostic tools for colon cancer but also holds promise for enhancing the early detection and di-agnosis of this disease, thereby facilitating timely intervention and improved patient prognosis. Various CNN designs, such as GoogLeNet and ResNet-50, were employed to capture features as-sociated with colon diseases. However, inaccuracies were introduced in both feature extraction and data classification due to the abundance of features. To address this issue, feature reduction tech-niques were implemented using Fishier Mantis Optimizer algorithms, outperforming alternative methods such as Genetic Algorithms and simulated annealing. Encouraging results were obtained in the evaluation of diverse metrics, including sensitivity, specificity, accuracy, and F1 score, which were found to be 94.87%, 96.19%, 97.65%, and 96.76%, respectively.

Benzer Tezler

  1. Tez No

    892941

    Evolutionary feature optimization for plant leaf disease detection by deep neural networks

    Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu

    JALAL SADOON HAMEED AL BAYATI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. BURAK BERK ÜSTÜNDAĞ

  2. Tez No

    721567

    Çekirge optimizasyon algoritması ve yapay sinir ağları kullanılarak hane güç tüketimi tahmini

    Prediction of household power consumption using grasshopper optimization algorithm and artificial neural networks

    TÜLİN SERT İRİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  3. Tez No

    477822

    Kayısı yapraklarının evrişimsel sinir ağları kullanılarak sınıflandırılması

    Classification of apricot leafs via convolutional neural network

    BERNA ARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Elektrik-Elektronik Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  4. Tez No

    661903

    Evrişimsel sinir ağları ve metin benzerliği kullanılarak fatura görüntülerinde sınıflandırma

    Classification of invoice images by using convolutional neural networks and text similarity

    ÖMER ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgi ve Belge YönetimiKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ

  5. Tez No

    834748

    Violence detection in videos using 3D convolutional neural networks and transfer learning

    Evrişimsel sinir ağları ve transfer öğrenme ile videolarda tehlike tespiti

    NAZ DÜNDAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. FAHD JARAD

    PROF. DR. HAYRİ SEVER

Geri Dön