Pnömoni ve COVID görüntülerinin sınıflandırılması ve segmentasyonu için derin öğrenme modelinin tasarlanması ve gömülü sistem uygulaması
Designing a deep learning model for classification and segmentation of pneumonia and COVID images and embedded system implementation
- Tez No: 981745
- Danışmanlar: DOÇ. DR. ÖMER KASIM, PROF. DR. HAMDİ MELİH SARAOĞLU
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Pnömoni, akciğerleri etkileyen yaygın bir enfeksiyon hastalığı olup ciddi solunum problemlerine yol açabilmektedir. Özellikle çocuklar, yaşlılar ve bağışıklık sistemi zayıf olan bireyler için ciddi sağlık riskleri taşımaktadır. Erken ve doğru tanı, komplikasyonların önlenmesi ve tedavi sonuçlarının iyileştirilmesi açısından hayati öneme sahiptir. Bu çalışmada, pnömoni tespiti amacıyla, yüksek doğruluk ve donanımsal verimlilik hedeflenerek optimize edilmiş iki farklı derin öğrenme modeli önerilmiştir. Sınıflandırma için Modifiyeli MobileNetV2, segmentasyon için ise Modifiyeli MobileNetV2-UNet mimarisi tasarlanmıştır. Modeller, kompakt ve hafif yapıda olacak şekilde geliştirilmiştir. Sınıflandırma modeli, röntgen ve tomografi veri setleriyle; segmentasyon modeli ise bir röntgen veri setiyle eğitilmiştir. Görüntü işleme sürecinde yalnızca yeniden boyutlandırma uygulanarak ek hesaplama maliyetlerinden kaçınılmış ve genel verimlilik artırılmıştır. Eğitim sonrası, modeller değerlendirilmiş ve hesaplama açısından optimize edilerek Jetson Nano platformuna dağıtılmıştır. Toplam yedi sınıflandırma ve bir segmentasyon deneyi gerçekleştirilmiştir. Jetson Nano'da, sınıflandırma için 17 ms, segmentasyon için ise 65 ms çıkarım süresi ölçülmüştür. Elde edilen sonuçlar, işlemlerin gerçek zamanlı başarıyla yürütülebildiğini göstermektedir. Temel çevresel donanımlarla çalışabilecek şekilde yapılandırılan Jetson Nano, dış bağımlılıklardan arındırılmış uçtan uca bir çözüm sunmaktadır. Bu yönüyle, çalışma, pnömoni tespitinde gömülü derin öğrenme uygulamalarıyla etkili ve uygulanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Pneumonia is a common infectious disease affecting the lungs and can lead to severe respiratory problems. It poses significant health risks, particularly for children, the elderly, and individuals with weakened immune systems. Early and accurate diagnosis is crucial for preventing complications and improving treatment outcomes. In this study, two optimized deep learning models were proposed for pneumonia detection, targeting both high accuracy and computational efficiency. A modified MobileNetV2 architecture was designed for classification, while a modified MobileNetV2-UNet architecture was developed for segmentation tasks. The models were constructed to be compact and lightweight for efficient deployment. The classification model was trained using chest X-ray and computed tomography datasets, while the segmentation model was trained using a single X-ray dataset. Only image resizing was applied during preprocessing to reduce computational cost and enhance overall system efficiency. After training, the models were evaluated and computationally optimized for deployment on the Jetson Nano platform. A total of seven classification and one segmentation experiments were conducted. On Jetson Nano, inference times were measured as 17 ms for classification and 65 ms for segmentation. The experimental results demonstrated that both tasks could be performed successfully in real time. Configured to operate with only basic peripheral hardware, the Jetson Nano offers a fully self-contained solution without dependency on external systems. In this regard, the study presents an effective and practical solution for pneumonia detection through embedded deep learning applications.
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
- Yapay zeka ve görüntü işleme teknikleri kullanılarak Covid-19 tespiti ve sınıflandırılması
Covid-19 detection and classification using artificial intelligence and image processing techniques
NURŞAH DİNCER
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PELİN GÖRGEL
- Derin öğrenme ile radyolojik görüntüler üzerinden COVID-19 tespiti
COVID-19 detection in radiological images with deep learning
TANJU CEYLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZKAN İNİK
- Derin öğrenme yöntemleri ile akciğer grafilerinde patoloji sınıflandırılması
Classification of pathologies in chest x-rays using deep learning techniques
BURCU OLTU
Doktora
Türkçe
2025
BiyomühendislikBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. BERNA DENGİZ
- Akciğerin X-ray görüntülerinden derin öğrenme ile pnömoni tespiti
Detection of pneumonia wıth deep learning from X-ray images of lung
BUĞRA HATİPOĞLU
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İRFAN KARAGÖZ
DOÇ. DR. MİKAİL İNAL