Yüksek enerji fiziği perspektifinden evrişimli sinir ağları ile akciğer x-ışını görüntülerinin sınıflandırılması
Classification of lung x-ray images with convolutional neural networks from a high energy physics perspective
- Tez No: 921239
- Danışmanlar: DR. ÖĞR. ÜYESİ HALE SERT
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Yüksek Enerji ve Plazma Fiziği Bilim Dalı
- Sayfa Sayısı: 135
Özet
Yapay zekâ araçlarının gelişmesi pek çok alana kayda değer katkılar sunmuştur. İnsan etkisine gerek kalmadan kendi kendine öğrenen ve gelişen algoritmalar büyük veri setlerinin analizinde ve modellenmesi zor problemlerde hızlı ve pratik çözümler sunmaktadır. Bu bağlamda yapay zekâ tekniklerinin son yıllardaki kanıtlanmış başarısı, görüntü sınıflandırmadan modern parçacık fiziği analizlerine kadar farklı alanlarda oldukça kullanışlı bir altyapı sunmaktadır. Bu tez çalışmasında, yapay zekâ yöntemlerinden biri olan evrişimli sinir ağı modelleri kullanılarak akciğerlere ait X-ışını görüntülerinin sınıflandırılması çalışılmıştır. Görüntü sınıflandırma çalışmalarının temel amaçlarından biri hassas piksel farklılıkları içeren görüntüleri başarılı bir şekilde analiz edebilen yapılar geliştirmektir. Bu hedefe ulaşmak için veri ön işleme adımlarının ve model optimizasyonlarının doğru bir şekilde seçilmesi oldukça önemlidir. Bu tez kapsamında Montgomery, Shenzhen, Montgomery+Shenzhen ve Tüberküloz Göğüs Röntgeni Veri Tabanı'ndan elde edilen akciğer görüntülerinin tüberküloz sınıflandırması DenseNet201 modeli ile incelenmiştir. Sınıflandırma performansını geliştirmek için veri artırımı ve normalizasyon teknikleri kullanılmıştır. Modele hibrit evrişim katmanı eklenerek tahmin başarılarına etkisi incelenmiştir. Çalışılan metotların bireysel ve kombine durumlar için değerlendirmesi yapılmış, en iyi sınıflandırma başarısının hibrit evrişim katman ile geliştirilmiş modelde veri artırımı ve CLAHE normalizasyonu uygulanan görüntülerle elde edildiği görülmüştür. Bulgular dört veri seti için de normalizasyon ve optimizasyon yaklaşımlarının birlikte kullanıldığı durumda model başarısının %89 ile %99 arasında doğruluk skorlarıyla en yüksek seviyeye ulaştığını göstermiştir. Elde edilen bulgularla çalışılan metotların farklı disiplinlerdeki görüntü sınıflandırma problemlerine de uyarlanabileceği düşünülmektedir.
Özet (Çeviri)
The development of artificial intelligence tools has made significant contributions to various fields. Algorithms that can learn and evolve independently, without the need for human intervention, provide fast and practical solutions in analyzing large data sets and in problems that are difficult to model. In this context, the proven success of artificial intelligence techniques in recent years offers a highly useful infrastructure in areas ranging from image classification to modern particle physics analysis. In this thesis, lung X-ray image classification is studied using convolutional neural network models, which are one of the artificial intelligence methods. One of the primary goal of image classification studies is to develop structures capable of successfully analyzing images that contain subtle pixel differences. To achieve this goal it is crucial to carefully select data preprocessing steps and model optimizations. In this thesis, lung images obtained from the Montgomery, Shenzhen, Montgomery+Shenzhen, and Tuberculosis Chest X-ray Databases were analyzed for tuberculosis classification using the DenseNet201 model. Data augmentation and normalization techniques were used to improve classification performance. The impact of adding a hybrid convolutional layer to the model on prediction accuracy was also investigated. The evaluation of the methods in individual and combined scenarios showed that the best classification performance was achieved with images augmented with data augmentation and CLAHE normalization in the model with the hybrid convolutional layer. The findings demonstrated that, for all four datasets, the model's performance reached its highest level with accuracy scores ranging from %89 to %99 when normalization and optimization approaches were used together. Based on these findings, it is believed that the methods studied can also be adapted to image classification problems in different disciplines.
Benzer Tezler
- Advanced architecture design strategy based on biomimicry towards high-performance design in high-rise buildings
Yüksek binalarda yüksek performanslı tasarıma yönelik biyomimikri temelli ileri mimari tasarım stratejisi
ZIYAD AMER MAJEED ALYASIRI
Yüksek Lisans
İngilizce
2020
EnerjiYaşar ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. BAŞAK KUNDAKCI KOYUNBABA
- Türk deniz gücü stratejisi kapsamında deniz taşımacılığı ve limanların avrupa birliği politikaları ile karşılaştırılması, eksiklikler ve öneriler
Comparison of maritime transportation and ports within the framework of turkish sea power strategy to european union policies, deficiencies, and recommendations
GÜRKAN BİLGE
Yüksek Lisans
Türkçe
2024
Denizcilikİstanbul Teknik ÜniversitesiDenizcilik Çalışmaları Ana Bilim Dalı
DOÇ. DR. LEVENT KIRVAL
- Enerji coğrafyası perspektifinde Türkiye'nin enerji politikaları
The energy policies of Turkey from the perspective of energy geography
MUHAMMED ORAL
- Türkiye'de iklim değişikliğinin enerji ve tarım sektörüne etkisi üzerine ekonometrik bir uygulama
An econometric application the effect of climate change on energy and agricultural sector in Turkey
AYŞE BOYRAZ
- Friedmann modelleri
Başlık çevirisi yok
MUSTAFA ÇALIŞKAN
Yüksek Lisans
Türkçe
1992
Fizik ve Fizik MühendisliğiTrakya ÜniversitesiYüksek Enerji Fiziği Ana Bilim Dalı
PROF. DR. ASKERİ BARAN