Geri Dön

Üretici yapay zeka ile medikal veri çoğaltma: Farklı gan mimarilerinin derin öğrenme tabanlı osteoporoz teşhisindeki başarılarının kıyaslanması

Generator artificial intelligence for medical data replica: Comparison of the success of different ganarchitectures in deep learning-based osteoporosis diagnosis

PDF İndir

  1. Tez No: 998618
  2. Yazar: SEFA KARTAL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ZAFER CİVELEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Çankırı Karatekin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, kısıtlı tıbbi görüntü veri setlerinde derin öğrenme modellerinin teşhis performansını artırmak amacıyla farklı Çekişmeli Üretici Ağ (GAN) mimarilerinin etkinliğini karşılaştırmalı olarak incelemektedir. Çalışma kapsamında, 96 osteoporoz ve 109 sağlıklı diz röntgeninden oluşan kısıtlı bir veri seti; StyleGAN, StyleGAN2, WGAN ve DCGAN mimarilerinin yanı sıra geleneksel veri artırma yöntemleri kullanılarak her bir yöntem için 1600 görüntülük sentetik veri setlerine dönüştürülmüştür. Elde edilen sentetik veriler, VGG16, ResNet18 ve Inception-ResNet derin öğrenme mimarileri ile eğitilerek performans testlerine tabi tutulmuştur. Deneysel sonuçlar, sentetik veri artırma yöntemlerinin kısıtlı veri setine oranla teşhis başarısını dramatik bir şekilde artırdığını göstermiştir. ResNet18 mimarisi üzerinde yapılan testlerde, gerçek verilerle elde edilen %90,24'lük doğrulama başarısı; StyleGAN2 yöntemi ile %99,69'a, WGAN yöntemi ile ise %99,06'ya yükselmiştir. VGG16 mimarisinde ise StyleGAN2 %99,06 başarı ile en yüksek performansı sergilemiştir. Çalışma sonucunda, StyleGAN2 mimarisinin medikal doku özelliklerini taklit etmede en başarılı yöntem olduğu ve kısıtlı veri setlerinde derin öğrenme tabanlı osteoporoz teşhisi için güvenilir bir çözüm sunduğu kanıtlanmıştır.

Özet (Çeviri)

This study comparatively examines the effectiveness of various Generative Adversarial Network (GAN) architectures to improve the diagnostic performance of deep learning models in limited medical image datasets. Within the scope of the study, a restricted dataset consisting of 96 osteoporosis and 109 healthy knee X-rays was expanded into synthetic datasets of 1600 images per method using StyleGAN, StyleGAN2, WGAN, and DCGAN architectures, as well as traditional data augmentation techniques. The generated synthetic data were used to train VGG16, ResNet18, and Inception-ResNet deep learning architectures, followed by comprehensive performance evaluations. Experimental results demonstrated that synthetic data augmentation methods dramatically increased diagnostic accuracy compared to the limited original dataset. In tests conducted with the ResNet18 architecture, the validation accuracy of 90.24% obtained with real data rose to 99.69% with StyleGAN2 and 99.06% with WGAN. Similarly, StyleGAN2 achieved the highest performance in the VGG16 architecture with an accuracy of 99.06%. The study concludes that the StyleGAN2 architecture is the most successful method for replicating medical tissue characteristics and provides a reliable solution for deep learning-based osteoporosis diagnosis in cases of data scarcity.

Benzer Tezler

  1. Tez No

    809212

    Artificial intelligent based segmentation on medical imaging

    Medikal görüntü üzerinden yapay zeka tabanlı bölütleme

    MAHMUT AĞRALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN KILIÇ

  2. Tez No

    784013

    Transfer learning based super resolution of aerial images and the effects of the super resolution on object detection

    Öğrenme transferi temelli hava aracı görüntülerinin süper çözünürlüğü ve süper çözünürlüğün nesne tespitine etkileri

    ASLAN AHMET HAYKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  3. Tez No

    763411

    Yapay zeka yöntemi ile bölütlenmiş karmaşık damar yapılarının üç boyutlu biyoyazıcı ile üretimi

    Fabrication of complex vessel structures segmented by artificial intelligence method with three dimensional bioprinter

    SERKAN SÖKMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyomühendislikHacettepe Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SONER ÇAKMAK

    DOÇ. DR. İLKAY ÖKSÜZ

  4. Tez No

    895676

    Gömülü sistem tabanlı, nabız oksimetre senkronlu, yeni nesil oksijen konsantratör tasarımı, gerçekleştirilmesi ve bulanık mantık ile kontrol modeli

    Embedded system based, pulse oximeter synchronized, new generation oxygen concentrator design, implementation and control model with fuzzy logic

    ŞERAFETDİN BALOĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL SARITAŞ

  5. Tez No

    815631

    Ai for drug discovery LSTM-driven drug design using selfies for target-focused de novo generation of HIV-1 protease inhibitor candidates in the treatment of AIDS

    Yapay zeka tabanlı LSTM destekli ilaç tasarımı: AIDS tedavisinde selfıes kullanarak HIV-1 proteaz odaklı inhibitör adaylarının tasarlanması

    M.TALEB ALBRIJAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Biyomühendislikİstanbul Medipol Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. REDA ALHAJJ

Geri Dön