An efficient cascaded resnet-based tuberculosis detection framework aided with segmentation mechanism using residual attention unet++
Artık dikkat unet++ kullanılan segmentasyon mekanizması ile desteklenmiş etkili bir kademeli resnet tabanlı tüberküloz tespit çerçeves
- Tez No: 940526
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- 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: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
İTüberküloz (TB), hasta başında doğru ve hızlı tanı değerlendirmeleri yapılamayan tek birincil hastalık olmayı sürdürüyor. Tüberküloz bulaşmasını durdurmadaki başarısızlık, temel olarak, akciğerlerinde tüberküloz bulunan tüm enfekte bireylerin yeterli sürede tanımlanıp ele alınamamasından kaynaklanmaktadır; bu da tüberkülozun toplumlar arasında yayılmasının devam etmesini mümkün kılmaktadır. Tüberküloz tanısına yönelik mevcut altın standart yöntemler laboratuvarlara dayanmaktadır ve bir sonuç elde edilene kadar belirli bir süre boyunca çok sayıda test yapılması gerekebilir. Mycobacterium TB tarafından tetiklenen TB, tüm dünyada en ölümcül olanlardan biri olan bulaşıcı bir hastalık olmaya devam ediyor. Şu anda“Göğüs Röntgeni (CXR)”görüntüleri kullanılarak TB'yi kesin olarak tanımlamak için çeşitli girişimlerde bulunulmaktadır. Ayrıca mevcut tüberküloz hastalığının teşhisine, uykuda olan tüberkülozun enfekte olup olmadığının taranmasına ve ilaç Mycobacterium TB izolatlarına karşı direncin bulunmasına yönelik yeni teşhis yöntemlerine artık erişilebilmektedir. CXR'ler tıbbi uygulamada TB'nin tanımlanmasında nitelikli doktorlar tarafından değerlendirilir. Ancak bu zahmetli ve keyfi bir işlemdir. Radyografilere dayalı hastalık tanısında farklılıklar kaçınılmazdır. Kapsamlı bir hastabaşı teşhisinin geliştirilmesi yavaş ilerlerken, yeni biyobelirteçlerin tanımlanması zor olmaya devam ediyor. Başarılı önleme yöntemlerine rağmen, dünya çapında hastalıkların önlenmesi, önemli oranda hastalığın hızlı teşhisini ve hızlı tedaviyi gerektirir. Vakaların erken tespiti, testlerin güvenilirliğine, karşılanabilirliğine, bulunabilirliğine ve zorluğuna dayanmaktadır; ancak aynı zamanda TB ve grip salgınlarından en çok etkilenen insanlara ideal, uzun vadeli x tıbbi tedavi sağlamak için mevzuatın belirlenmesine ve bağışçının kararlılığına da bağlıdır. Sonuç olarak, röntgen görüntüleri kullanılarak TB'nin elektronik olarak teşhis edilmesi, hem hastalara hem de doktorlara yardımcı olmak açısından çok önemlidir. Dolayısıyla bu çalışma, hastaların X-ışını görüntülerinden TB'yi etkili bir şekilde tespit etmek için derin yapı ağlarına dayalı gelişmiş bir TB tespit çerçevesi önerdi. Başlangıçta, X-ışını görüntüleri standart veri kaynaklarından toplanır. Toplanan görüntüler, X-ışını görüntülerinin etkili bir şekilde bölümlenmesi için Residual Attention Unet++ (RA-Unet++)'ın kullanıldığı bölümleme işlemine verilir. Daha sonra bölümlere ayrılmış görüntüler, daha iyi bir algılama performansı sağlamak için Basamaklı ResNet'e (C-ResNet) beslenir. Sistemin üstün performansını sağlamak için derin yapı ağlarına dayalı olarak önerilen TB tespit çerçevesinin değerlendirilmesi gerçekleştirilir. Sonuçlar, yüksek doğrulukta tespit sonuçları sağlayarak geliştirilen sistemin mükemmel performansını garanti edecektir.
Özet (Çeviri)
Tuberculosis (TB) remains the only primary illness without accurate quick point-of-care diagnosis evaluations. Failing to stop TB transmission is mainly caused by being unable to identify and address all infected individuals with tuberculosis in the lungs in sufficient time, enabling the spread of TB among populations to keep happening. The present gold-standard methods for diagnosing TB are based in laboratories, and numerous tests across a period of time might be required until an outcome is obtained. TB triggered by Mycobacterium TB remains an infectious illness that is one of the most lethal in the entire globe. Several attempts are currently undertaken to precisely identify TB using“Chest X-ray (CXR)”images. Furthermore, novel diagnostic methods for diagnosing current TB illness, screening for dormant TB being infected and finding resistance to drug Mycobacterium TB isolates are now accessible. CXRs are assessed in medical practice by qualified doctors in the identification of TB. However, this is a laborious and arbitrary procedure. Differences in the diagnosis of illness based on radiographs are unavoidable. The development of a comprehensive point-of-care diagnostic is slow, while the identification of new biomarkers continues difficult. Despite successful methods for prevention, worldwide disease prevention requires a substantial proportion of prompt disease diagnosis and rapid treatment. Early identification of cases is based on the reliability of tests, affordability, availability, and difficulty, yet it also relies on legislative determination and donor commitment to provide viii ideal, long-term medical treatment to people most impacted by the TB and influenza outbreaks. As a result, diagnosing TB electronically using x-ray images is essential to assist patients as well as doctors. So, this work suggested an advanced detection framework for TB based on deep structure networks to effectively detect TB from patients' X-ray images. Initially, the X-ray images are gathered from the standard data sources. The collected images are given to the segmentation process, where Residual Attention Unet++ (RA-Unet++) is utilized for effectively segmenting the X-ray images. Then the segmented images are fed to Cascaded ResNet (C-ResNet) for providing a better detection performance. The evaluation of the recommended detection framework for TB based on deep structure networks is conducted to ensure the superior performance of the system. The results will ensure the excellent performance of the developed system by providing high-accuracy detection outcomes.
Benzer Tezler
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Veri akış denklemlerinin çözümü ile kod optimizasyonu
Code optimization by solving data flow equations
EROL AKARSU
Yüksek Lisans
Türkçe
1993
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. NADİA ERDOĞAN
- ORTA GERİLİM MOTOR SÜRÜCÜLERİ İÇİN KASKAD BAĞLI ÇOK SEVİYELİ EVİRİCİ TASARIMI
CASCADED MULTILEVEL INVERTER DESIGN FOR MEDIUM VOLTAGE MOTOR DRIVERS
ADİL ALAHMAD
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
- Design and implementation of an educational fm receiver with FPGA using SDR techniques
Eğitim amaçlı SDR tekniklerine dayalı FPGA tabanlı frekans modüleli radyo alıcısı tasarımı ve uygulaması
ABDALLA M MOHAMED ELSALHIN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BİLGEHAN ERKAL
- Derin sinir ağları kullanarak quadrotorun kontrolü
Quadrotor control using deep neural networks
MAHMOUD CHICK ZAOUALI
Yüksek Lisans
Türkçe
2023
Mekatronik MühendisliğiMarmara ÜniversitesiMekatronik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERTUĞRUL ÇETİNSOY