Derin öğrenme yaklaşımı ile malaria (sıtma) hastalığı görüntülerinin sınıflandırılması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Günümüzde bilişim temelli uygulamalar, teknolojideki gelişmelerle beraber değişik disiplinlerde artmaktadır. Bu alanlardan birisi de tıptır. Yapay zeka ve makine öğrenmesi gibi teknikler tıbbi görüntülerin analizi ve sınıflandırılması için en yaygın kullanılan yöntemlerdir. Bu teknikleri kullanarak bir model oluşturmak için, öncelikle analiz edilecek özellik vektörlerinin belirlenmesi gerekmektedir. Ancak bu analiz süreçleri uzmanlık isteyen ve uzun zaman alan uygulamalardır. Bu noktada günümüzde oldukça popüler durumda olan derin öğrenme metotları kullanılarak hastalık teşhis ve tespiti çok hızlı ve kolay bir şekilde yapılabilmektedir. Uzun yıllar devam eden çalışmalar sayesinde çok sayıda derin öğrenme algoritmaları geliştirilmiştir. Bu çalışmada, kan hücrelerine ait görüntüler derin öğrenme yaklaşımı ile parazitli ve parazitsiz olarak sınıflandırılmıştır. Böylece malarya (sıtma) hastalığını tespit eden CNN tabanlı RAN modeli ile bilgisayar destekli (karar destek sistemi) bir uygulama geliştirilmiştir. Tez çalışmasında, 27,558 adet Malarya (sıtma) hastalığına ait parazitli ve parazitsiz kan örneklerini içeren smear görüntüleri veri seti kullanılmıştır. Çalışma, CNN algoritmalarından olan ve sıtma hastalık teşhisi için kullanıldığı taramalarda görülmeyen RAN modeli ile geliştirilmiştir. Ayrıca AN, VGG16, ResNet50, InceptionV3, AlexNet ve SVM modelleri ile de sonuçlar alınmıştır. RAN ve diğer modeller ile elde edilen sınıflama başarıları analiz edilmiştir. Sonuçlar istatistiksel olarak kıyaslanmış ve performans karşılaştırılması yapılmıştır. Çalışma sonucunda, RAN modeli kullanılarak oluşturulan derin öğrenme yaklaşımında %95.79 görüntü sınıflandırma doğruluğuna ulaşıldığı ve yüksek başarı oranını elde ettiği görülmektedir. Sonuç olarak, kan hücrelerine ait görüntülerin sınıflandırılması için, otomatik olarak, hızlı ve doğru bir şekilde çalışan derin öğrenme yaklaşımı geliştirilmiş ve karşılaştırmalı ve başarılı şekilde uygulanarak sonuçlar alınmıştır. Today, information-based applications are increasing in different disciplines together with the developments in technology. One of these areas is medicine. Techniques such as artificial intelligence and machine learning are the most commonly used methods for the analysis and classification of medical images. To create a model using these techniques, first of all, feature vectors to be analyzed must be determined. However, these analysis processes are requiring expertice and long-time applications. At this point, the diagnosis and detection of the disease can be done very quickly and easily by using deep learning methods which are very popular today. Numerous deep learning algorithms have been developed through many years of studies. In this study, smear cell images were classified as infected and uninfected with a deep learning approach. Thus, a computer-aided application (decision support system) was developed with the CNN based RAN model that detects malaria disease. In the thesis, smear images dataset containing infected and uninfected blood samples of 27,558 malaria diseases were used. The study was developed with the RAN model, which is one of the CNN algorithms and is not seen in the literature for the diagnosis of malaria disease. Also, AN, VGG16, ResNet50, Inception V3, AlexNet and SVM models were used and results obtained. Classification successes obtained with RAN and other models were analyzed. The results were compared statistically and performance was compared. As a result of the study, it is seen that 95.79% image classification accuracy is achieved and success rate is achieved in the deep learning approach using RAN model. As a result, in order to classify the images of blood cells, a deep learning approach which works automatically, quickly and accurately has been developed. Comparative and successful implementation was achieved.
Collections