Derin öğrenme yöntemleri kullanılarak akciğer X-ray görüntülerinden atelektazi teşhisi ve sınıflandırılması
Classification of atelectasis from chest X-ray images using deep learning approaches
- Tez No: 974817
- Danışmanlar: DR. ÖĞR. ÜYESİ SERDAR ABUT, DOÇ. DR. FATİH DOĞANAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Anlamsal bölütleme, Biyomedikal uygulamalar, Evrişimli sinir ağları, Sayısal görüntü analizi, Yapay sinir ağları, Yapay zeka ve makine öğrenmesi dersi, Semantic segmentation, Biomedical applications, Convolutional neural networks, Digital image analysis, Artificial neural networks, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, derin öğrenme yöntemleri kullanılarak akciğer X-ray görüntülerinden atelektazi hastalığının otomatik olarak sınıflandırılması amaçlanmıştır. Atelektazi, akciğerin bir kısmının ya da tamamının sönmesiyle karakterize ciddi bir solunum hastalığı olup, erken teşhisi tedavi süreci açısından kritik önem taşımaktadır. Bu kapsamda, farklı öğrenme stratejileri ve görüntü ön işleme tekniklerinin sınıflandırma performansına etkisini incelemek amacıyla dört ayrı model geliştirilmiştir. Modeller, iki temel değişkene göre farklılaştırılmıştır: (1) görüntülerin ham hâliyle mi yoksa yalnızca akciğer bölgesi kırpılarak mı kullanıldığı ve (2) modelin sıfırdan mı yoksa önceden eğitilmiş (transfer öğrenme) bir mimariyle mi çalıştığı. Çalışmada sıfırdan öğrenen iki SqueezeNet tabanlı model (Model I ve Model II) ve önceden eğitilmiş SqueezeNet kullanan iki transfer öğrenme modeli (Model III ve Model IV) eğitilmiştir. Model I ve III ham görüntülerle, Model II ve IV ise sadece akciğer bölgesinin yer aldığı kırpılmış görüntülerle eğitilmiştir. Deneysel sonuçlara göre en yüksek başarı Model IV tarafından elde edilmiş; %98.43 doğruluk, 0.984 F1 skoru ve 0.999 AUC değeri ile literatürdeki birçok yöntemin ötesinde sonuçlar sunmuştur. Ayrıca, görüntülerin kırpılması hem sıfırdan öğrenen hem de transfer öğrenme kullanan modellerde genel başarıyı artırmıştır. Bulgular, hem ilgi bölgesine odaklanmanın hem de transfer öğrenmenin tıbbi görüntü sınıflandırmasında önemli avantajlar sağladığını ortaya koymuştur. Bu çalışma, derin öğrenme temelli sistemlerin atelektazi gibi kritik hastalıkların erken teşhisine katkı sunabilecek güvenilir karar destek araçları olarak kullanılabileceğini göstermektedir.
Özet (Çeviri)
In this study, deep learning methods were employed to automatically classify atelectasis disease from chest X-ray images. Atelectasis, characterized by the partial or complete collapse of the lung, is a serious respiratory condition where early diagnosis plays a critical role in the treatment process. The study aimed to investigate the impact of different learning strategies and image preprocessing techniques on classification performance by developing four distinct models. The models were differentiated based on two main variables: (1) whether raw images or cropped images containing only the lung region were used, and (2) whether the model was trained from scratch or utilized a pre-trained (transfer learning) architecture. Two SqueezeNet-based models were trained from scratch (Model I and Model II), while two models employed transfer learning using a pre-trained SqueezeNet architecture (Model III and Model IV). Models I and III were trained on raw images, whereas Models II and IV were trained on cropped images containing only the lung region. Experimental results revealed that the highest performance was achieved by Model IV, with an accuracy of 98.43%, an F1 score of 0.984, and an AUC of 0.999—outperforming many existing methods in the literature. Additionally, cropping the images improved overall performance in both from-scratch and transfer learning-based models. The findings demonstrate that focusing on the region of interest and utilizing transfer learning provide significant advantages in medical image classification. This study shows that deep learning-based systems can serve as reliable decision support tools for the early detection of critical diseases such as atelectasis.
Benzer Tezler
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- 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
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- Transfer öğrenme modelleri ile akciğer X-ray görüntülerinden COVID-19 tespiti
COVID-19 detection from lung X-ray images with transfer learning models
ÖZGÜR FOTO
Yüksek Lisans
Türkçe
2022
BiyomühendislikAksaray ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. HÜLYA BAKIRTAŞ
DOÇ. DR. KEMAL ADEM
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU