A novel deep learning framework enhanced by hybrid optimization using dung beetle and fick's law for superior pneumonia detection
Üstün pnömoni tespiti için bok böceği ve fick yasası kullanılarak hibrit optimizasyonla geliştirilmiş yeni bir derin öğrenme çerçevesi
- Tez No: 933545
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Pnömoni, özellikle çocuklar ve yaşlılar arasında, küresel mortalitenin önde gelen nedenlerinden biridir ve akciğerlerdeki hava keseciklerinin iltihaplanması ile karakterize edilir. Hastalığın yayılmasını önlemek ve hasta sonuçlarını iyileştirmek için erken ve doğru tespit kritik öneme sahiptir. Fiziksel muayeneler, kan testleri ve radyologlar tarafından gerçekleştirilen göğüs röntgeni analizlerini içeren geleneksel tanı yöntemleri etkili olmakla birlikte, genellikle zaman alıcı, kaynak yoğun ve insan hatalarına açık yöntemlerdir. Bu sınırlamalar, gelişmiş ve verimli tanı çözümlerine olan ihtiyacı vurgulamaktadır. Bu çalışma, göğüs röntgeni görüntülerini kullanarak pnömoni tespitini geliştirmek için Derin Öğrenme tekniklerini, özellikle Evrişimsel Sinir Ağları (CNN) ve MobileNet mimarilerini kullanmaktadır. Derin öğrenme, veri üzerinden otomatik özellik çıkarımı yoluyla görüntü tanıma görevlerinde üstün performans gösterdiği için tıbbi tanılarda güçlü bir araç olarak kabul edilmektedir. Araştırma, NORMAL veya PNEUMONIA olarak etiketlenmiş büyük bir göğüs röntgeni veri setine bu modelleri uygulamakta ve veri kalitesini ve çeşitliliğini artırmak için normalizasyon ve veri artırmayı içeren titiz ön işleme tekniklerini kullanmaktadır. Model performansını optimize etmek için, dung beetle optimizasyonu ve Fick'in difüzyon yasasından esinlenen hibrit optimizasyon teknikleri uygulanmıştır ve bu teknikler karmaşık parametre alanlarında etkili bir şekilde gezinmektedir. Doğruluk, kesinlik, geri çağırma ve F1 skoru gibi değerlendirme metrikleri modellerin doğruluğunu kanıtlamaktadır. Sonuçlar, MobileNet modelinin üstün performans göstererek %98,19 doğruluk oranına ulaştığını ve CNN taban çizgisini önemli ölçüde geride bıraktığını göstermektedir. Bu, pnömoni tanısında derin öğrenme ve yenilikçi optimizasyon yöntemlerinin potansiyelini vurgulamaktadır. Bulgular, yapay zekânın sağlık alanındaki daha geniş etkilerini vurgulamakta ve doğru ve zamanında hastalık tespiti sağlayan güçlü tanı araçlarının geliştirilmesi için bir yol sunmaktadır. Bu araştırma, küresel pnömoni yükünün hafifletilmesine katkıda bulunmakta ve tıbbi sonuçları iyileştirmek için makine öğreniminde yeniliğin devam etmesi gerektiğinin altını çizmektedir.
Özet (Çeviri)
Pneumonia is a leading cause of global mortality, particularly among children and the elderly, and is characterized by inflammation of the air sacs in the lungs. Early and accurate detection is crucial to mitigating its spread and improving patient outcomes. Traditional diagnostic methods, including physical exams, blood tests, and chest X-ray analysis by radiologists, are effective but often time-intensive, resource-heavy, and prone to human error. These limitations underscore the need for advanced, efficient diagnostic solutions. This study leverages deep learning techniques, specifically Convolutional Neural Networks (CNN) and MobileNet architectures, to enhance pneumonia detection using chest X-ray images. Deep learning excels in image recognition tasks through automatic feature extraction, making it a powerful tool for medical diagnostics. The research applies these models to a large dataset of chest X-rays labeled as NORMAL or PNEUMONIA, utilizing rigorous preprocessing techniques, including normalization and augmentation, to improve data quality and diversity. Hybrid optimization techniques inspired by the dung beetle optimizer and Fick's law of diffusion are employed to optimise model performance, effectively navigating complex parameter spaces. Evaluation metrics such as accuracy, precision, recall, and F1-score validate the models. Results demonstrate the enhanced MobileNet model's superior performance, achieving an accuracy of 98.19%, significantly outperforming the CNN baseline. This highlights the potential of deep learning and innovative optimization methods in advancing pneumonia diagnostics. The findings emphasize the broader implications of artificial intelligence in healthcare, offering a pathway for developing robust diagnostic tools that expedite accurate and timely disease detection. This research contributes to alleviating the global pneumonia burden and underscores the need for continued innovation in machine learning to enhance medical outcomes.
Benzer Tezler
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Heart disease prediction project
Kalp hastalıklarını önleme projesi
RUBA AYAD YOUSIF AL-SAMMARRAIE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- A novel framework for real time transient stability prediction in power systems under data integrity attacks
Veri bütünlüğü saldırıları altındaki güç sistemlerinde gerçek zamanlı geçici hal kararlılık tahmini için özgün bir yaklaşım
KEMAL AYGÜL
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ