Geri Dön

Akciğer röntgen görüntülerinden derin öğrenme modelleri kullanılarak solunum yolu hastalıklarının teşhis edilmesi

Diagnosis of respiratory diseases from chest X-ray images using deep learning models

PDF İndir

  1. Tez No: 930295
  2. Yazar: ANIL SEVER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CEREN KAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Bioengineering, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Zonguldak Bülent Ecevit Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 147

Özet

Solunum yolu hastalıkları geçmişten günümüze dünya çapında her yıl milyonlarca insanı etkileyen önemli sağlık sorunlarındandır. Bu hastalıkların doğru ve hızlı teşhis edilmesi, hastaların tedaviye başlama aşamasında kritik rol oynamaktadır. Geleneksel yöntemlerde radyologların subjektif yorumlarına bağlı olarak ortaya çıkabilecek hataları ve uzun teşhis süreleri hastaların tedavi süreçlerini olumsuz etkilemektedir. Özellikle pandemi dönemlerinde sağlık sistemleri üzerindeki yükü azaltmak için hızlı ve doğru teşhis kritik önem taşımaktadır. Bu çalışma, hızla gelişen derin öğrenme teknolojilerini kullanarak akciğer röntgen görüntülerinden solunum yolu hastalıklarının otomatik olarak teşhis edilmesi amacıyla gerçekleştirilmiştir. Çalışmada, EfficientNetB1 mimarisi temel alınarak, COVID-19 Radiography Database veri seti üzerinde eğitilmiş bir derin öğrenme modeli geliştirilmiştir. Verinin ön işleme aşamalarında, görüntülerin boyutlandırılması, veri artırma teknikleri ve etiketleme işlemleri gerçekleştirilmiştir. EfficientNetB1 modeli, ImageNet veri kümesinden önceden eğitilmiş ağırlıkları öğrenme aktarımı yöntemiyle öğrenmiştir. Modelin son katmanı sistemden çıkarılıp sınıflandırma katmanı eklenmiş ve model yeni veri setine uyarlanmıştır. Modelin eğitim aşamasında Adamax optimizasyon algoritması ve“categorical_crossentropy”kayıp fonksiyonu ile modelin performansını değerlendirmek için doğruluk metriği kullanılmıştır. Geliştirilen model, 23726 saniyelik eğitim süresiyle normal (sağlıklı), zatürre (pnömoni), COVID-19 ve akciğer opaklığı gibi dört farklı solunum yolu hastalığını %98,56 gibi yüksek bir doğruluk oranıyla sınıflandırmıştır. Model, özellikle diğer çoklu sınıflandırma modellerine göre yüksek doğruluk oranı yakalarken bunu hızlı bir eğitim süresiyle yakalamış olması geliştirilen modelin diğer modellere göre daha verimli olduğunu göstermiştir. Bu sonuçlar, modelin tıbbi görüntüleme alanında otomatik tanı sistemleri için güçlü bir aday olduğunu göstermektedir. Çalışma, solunum yolu hastalıklarının erken teşhisinde derin öğrenmenin potansiyelini ortaya koyarak sağlık hizmetlerinin kalitesini artırmaya yönelik önemli bir adım olarak değerlendirilebilir.

Özet (Çeviri)

Respiratory diseases are important health problems that affect millions of people worldwide every year from past to present. Accurate and rapid diagnosis of these diseases plays a critical role in the initiation of treatment. In traditional methods, errors that may arise due to subjective interpretations of radiologists and long diagnostic times negatively affect the treatment processes of patients. Fast and accurate diagnosis is of critical importance to reduce the burden on healthcare systems, especially during pandemic periods. This study was carried out to automatically diagnose respiratory diseases from lung X-ray images using rapidly developing deep learning technologies. In the study, a deep learning model trained on the COVID-19 Radiography Database dataset was developed based on the EfficientNetB1 architecture. In the pre-processing stages of the data, image dimensioning, data augmentation techniques and labeling operations were performed. The EfficientNetB1 model learned the pre-trained weights from the ImageNet dataset by learning transfer. The last layer of the model was removed from the system, the classification layer was added and the model was adapted to the new dataset. In the training phase of the model, the Adamax optimization algorithm and the loss function 'categorical_crossentropy' and the accuracy metric were used to evalute the performance of the model. The developed model classified four different respiratory diseases such as normal (healthy), pneumonia, COVID-19 and lung opacity with a high accuracy rate of 98.56% with a training time of 23726 seconds. While the model achieved a high accuracy rate, especially compared to other multiple classification models, the fact that it achieved this with a fast training time showed that the developed model is more efficient than other models. These results show that the model is a strong candidate for automatic diagnosis systems in the field of medical imaging. The study can be considered as an important step towards improving the quality of healthcare services by revealing the potential of deep learning in early diagnosis of respiratory diseases.

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

    688973

    Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images

    Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı

    OZAN GÜLDALİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜL İNAN

  3. Tez No

    739042

    Sağlık alanında derin öğrenme yöntemlerinin incelenmesi

    Investigation of deep learning methods in healthcare

    YAREN ÖZSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DENİZ TAŞKIN

  4. Tez No

    935981

    Model-based aı accelerator design on FPGA with in-depth evaluation of design parameters

    FPGA'de model tabanli yapay zeka hizlandirici tasarimi ve tasarim parametrelerinin derinliğine değerlendirilmesi

    GÖZDE ÖZDİL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. SIDDIKA BERNA ÖRS YALÇIN

  5. Tez No

    858111

    Derin öğrenme kullanarak tıbbi görüntülerde COVID-19 ve zatürre tespiti

    Detection of COVID-19 and pneumonia in medical images using deep learning

    İREM KURA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY

Geri Dön