Theses supervised by Doç. Dr. Ahmet Çınar
10 theses · Fırat University
Detection of cancer area in lung images with the help of deep learning algorithms
With the acceleration of the process of industrialization, and the increasing number of smokers, the number of deaths due to lung cancer remains high. A large amount of clinical data found that lung cancer appeared in the form of lung nodules in the early stage. CT imaging is one of the non-invasive detection methods to find early lung nodules. The use of computer-assisted CT lung nodule detection system can help doctors in early detection and diagnosis. However, due to the difference in radiation doses and machine parameters, the brightness, contrast, or irradiation angle of the image database of different hospitals are different. The training of the detection system cannot improve the performance of lung nodule classification algorithm by adding data. This causes problems such as low data usage, high label training costs, and easy expiration of classification models. This research provides the Convolutional Neural Network (CNN) and its architectures, such as AlexNet, GoogleNet, Resnet18 and Resnet50. We have included transfer learning by using CNN's pre-trained architectures. These architectures are tested with large data sets which are SPIE AAPM lung image dataset, which is freely available on the web. Due to the lack of training data, data augmentation technique has proposed to increase the number of training data artificially. The Convolution Neural Network architectures' performances were evaluated by some matrixes, which are confusion matrix, recall, precision and f1-score. Based on the above work, Matlab R2019b is used to program the pre-trained networks and obtaining the results based on transfer learning
Derin öğrenme yöntemleri kullanılarak görüntüler üzerinde insan hareketlerinin ve hastalıklarının sınıflandırılması
Derin öğrenme modelleri son yıllarda oldukça popüler ve yaygın bir hale gelmiştir. Gelişen teknoloji ile birlikte veri tabanlarında tutulan verilerin miktarları her geçen gün artmaktadır. Bu tez çalışmasında da derin öğrenme tabanlı yöntemler kullanılarak veri setlerinde tutulan bu verilerin işlenmesi ve bunların sınıflandırılması amaçlanmıştır. Gerçekleştirilen bu tez çalışmasında 3 farklı uygulama gerçekleştirilmiştir. İlk uygulamada insan hareketleri görüntülerinden oluşan bir veri seti kullanılmıştır. Bu veri setindeki videolardan belirli sayıda görüntü örnekleri alınarak bir veri seti oluşturulmuştur. Oluşturulan veri setindeki insan hareketlerinin sınıflandırılması için ESA tabanlı bir model geliştirilmiştir. Gerçekleştirilen ikinci uygulamada ise beyin MR görüntüleri kullanılarak, bu görüntüler tümörlü ve tümörsüz görüntüler olmak üzere sınıflandırılmıştır. Bu uygulamada hibrit bir model önerilmiştir. Son uygulamada ise göğüs X-Ray görüntülerinden oluşan bir veri seti kullanılmıştır. Bu veri setinde ki görüntüleri zatürre ya da normal olarak sınıflandırmak için önerilen hibrit yöntemde başarılı sonuçlar elde edilmiştir. Beyin MR görüntüleri ve göğüs X-Ray görüntülerinin sınıflandırılmasında, önerilen hibrit modelde ESA mimarilerinden olan Resnet50 taban olarak kullanılmıştır. Her üç çalışmada da halka açık veri setleri kullanılmıştır. Gerçekleştirilen derin öğrenme tabanlı uygulamalarda başarılı sonuçlar elde edilmiştir. Önerilen bu yöntemlerin çalışmada kullanılan önceden eğitilmiş modellerden daha başarılı oldukları görülmüştür. Ayrıca gerçekleştirilen uygulamalar literatürdeki benzer çalışmalarla da kıyaslanmıştır.
Knime Veri Analitik Platformu Kullanarak Derin Öğrenme Algoritmaları ile Imge Sınıflandırma
Çağımızda veri her yerde ama bu verilerin tamamı anlamlı ve işe yarar bilgi olarak bulunmuyor. Küreselleşen dünyada her birey ve her makine bir veri kaynağı ve sürekli artan büyük bir ivme ile veri üretmektedir. Cep telefonlarımız, güvenlik kameraları, banka kartları, akıllı arazi sulama sistemleri, kullanılan kimlik kartları, su sayaçları ve daha birçoğu veri üretiyor. Üretilen bu verilerden anlamlı ve işe yarar bilgi elde etmek çağımızın en büyük çalışma alanlarından birini oluşturmaktadır. Son yıllarda hızlı gelişen veri bilimi, hayatı birçok açıdan kolaylaştıran yapay zeka teknolojisinden yaralanmaktadır. Sağlık, eğitim, sanayi, turizm yapay zekadan yaralanan alanların başında gelir. Yapay zekanın alt dalları olan makine öğrenmesi ve derin öğrenme algoritmaları sayesinde hayat daha kolay oluyor. Çinde ortaya çıkan ve tüm dünyayı etkisi altına alan Covid-19 pandemi döneminde de yine yapay zekadan faydalanılan birçok sistem geliştirildi. Geliştirilen sistemler sayesinde bu zorlu süreç en az hasarla ve en kısa sürede atlatılmaya yöneliktir. Bu süreçte sürece olumlu etkisi olan alınabilecek tedbirler vardır. Bu alınabilecek önlemlerden biri maske takmaktır. Bu tez çalışmasında insanların maske takıp takmadığını derin öğrenmeye dayanan yaklaşımlar kullanılarak Knime veri analiz programı kullanılarak tespit edilmeye çalışılmıştır. İnsanların maskeli ve maskesiz resimleri eğitilerek oluşturulan sistem sayesinde, test verisinden sisteme yeni giren verinin maskeli ya da maskesiz olduğu tespit edilmeye çalışılmıştır. Bu çalışmasında AlexNet ve Lenet derin öğrenme mimarilerinden faydalanılmıştır.
İki boyutlu sağlık, tarım ve iş güvenliği imgeleri üzerinde sınıflandırma ve nesne tespiti
Derin öğrenme teknolojileri, özellikle evrişimsel sinir ağları görüntüler üzerinde sınıflandırma ve nesne tespiti problemlerinde yüksek doğruluk sağlar. Makine öğrenimi ve derin öğrenmeyi kapsayan yapay zekâ biliminin ilerlemesi ile beraber birçok sektörde dijitalleşme başlamıştır. Bunun yanında büyük veri kaynaklarının ulaşılabilir olması, yapay zekâ biliminin ilerlemesine ve akıllı sistemlerin kullanımının yaygınlaşmasına zemin hazırlamıştır. Bu tez çalışması, insan yaşamında birçok sektörde yapay zekânın kullanımının artışına odaklanmaktadır. Bu kapsamda üç farklı sektörde kullanılmak üzere yöntemler önerilmiştir. İlk çalışmada, domates yapraklarından hastalık tespitini gerçekleştirmek amacıyla derin öğrenme tabanlı bir yaklaşım sunulmaktadır. İkinci çalışmada, X-ray görüntüleri kullanılarak ilgili görüntünün Covid-19, normal veya zatürre olarak sınıflandırılması sağlanmaktadır. Sınıflandırmayı gerçekleştirmek için CNN tabanlı hibrit bir yöntem önerilmektedir. Son çalışmada ise başta inşaat alanları olmak üzere, iş güvenliğinin sağlanması adına baret takma durumunun tespit edilmesi için bir nesne bulma yaklaşımı ele alınmaktadır. Bu yaklaşım, bilinen tek adımlı nesne bulma algoritması Yolov5 esas alınarak önerilmektedir. Tez kapsamında geçekleştirilen uygulamaların her biri, bir veya daha fazla açık erişimli veri kümesi ile doğrulanmıştır. Önerilen yöntemlerde evrişimsel sinir ağları esas alınmış ve başarılı sonuçlar elde edilmiştir. Yöntemlerin iyileştirilmesi konusunda spesifik verilerle yapılan uygulamalar ile literatüre katkıda bulunulmuştur. Önerilen yöntemleri gerçekleştirmek için matlab ve python gibi yazılım araçlarından yararlanılmıştır. Kullanılan metrikler ile sınıflandırma ve nesne bulma başarımları değerlendirmiştir. Ayrıca önerilen yöntemler literatürdeki benzer çalışmalar ile kıyaslanmıştır.
Detection of leukemia in human blood sample based on microscope image
Leukemia happens when part of unusual white blood cell produced by the Bone Marrow, the documentation of blood sicknesses is performed complete painterly inspection of microscopic images of blood cells. This thesis depicts a preparatory report to build up a recognition of leukemia writes utilizing infinitesimal pictures of blood tests. Examination through pictures is essential in light of the fact that from the pictures, infections can be identified and analyzed at a before organize. From that point, you can play out different activities, for example, controlling, controlling and counteracting sickness. The pictures are utilized in light of the fact that they are shabby and don't require costly tests and research facility gear. The framework will center around white platelet sickness, leukemia. Indeed, even the hematologist experiences issues arranging them leukemic cells, its manual arrangement of platelets takes quite a while as well as loose. In this manner, early distinguishing proof of leukemia returns gives the fitting treatment to the patient. As an answer to this issue, the framework will utilize the capacities in minute pictures and will look at changes in surface, geometry, shading and measurable investigation. Variations to these features will be used as a classifier entry. Leukemia is that the most elementary blood malady, basic in grown-ups. a bigger half malignant growth cell starts in body elements however sickness is that the variety of diseases that start and develop in platelets. Blood is pressing substance while not that metabolic component of the body very influenced. cells are destroyed therefore that new cells will have their spot. In disease, previous cell doesn't kick the bucket and stays within the blood, therefore, new cells that are created can't inspire enough house to measure. Has metameric the image exploitation K suggests that algorithm and artificial neural the results are studied by scrutiny numerous fault metrics and stretch complexness of each the systems. Image division is done exploitation feedforward neural network have fewer din and an awfully slow conjunction rate. during this analysis, K-means algorithm and artificial neural network are deliberate to get a group of processes that will be joint so as to attain a much better presentation in Image Segmentation. A comparison has been done to search out the most effective rule for Image Segmentation. Keywords: White Blood Cells (WBC), Red Blood Cells (RBC), Bone Marrow (BM), Artificial Neural News Network (ANN), Image Segmentation (IS).
Tek boyutlu hibrit evrişimsel sinir ağları ve uzun kısa süreli bellek mimarileri kullanarak EKG sinyallerinin sınıflandırılması
Alt sağlık sorununun etkin bir şekilde izlenmesine yönelik talep hızla artmaktadır. Kalp hastalıkları günümüzde önde gelen ölüm sebeplerindir. Bu sebepten ötürü son zamanlarda kalp atışlarının sınıflandırmasına yönelik çalışmalar büyük ilgi görmüştür. Elektrokardiyografi, kardiyak aritmiyi tanımlamanın, tespit etmenin ve teşhis etmenin kolay ve etkili bir yoludur. Elektrokardiyografik (EKG) sinyallerden kalp rahatsızlıklarına dair bilgi elde etmek zordur. Anormal EKG sinyallerini tespit etmek için doğru bir model, hastalığın erken teşhisini ve hastalara doğru tedavi sunulmasını sağlar. Bu çalışmada doğru, hızlı ve otomatik vuruşlu EKG sınıflandırması için konvolüsyonel sinir ağı (CNN) ve uzun kısa süreli bellek (LSTM) yöntemlerini birleştiren 1B derin öğrenme modelini kullanacağız. Amacımız ilgili EKG verikümelerine bu modeli uygulayarak modelimizin doğruluğunu tespit edip yüksek doğruluk oranına sahip sınıflandırmayı elde etmek. Anahtar Kelimeler: Derin Öğrenme, Elektrokardiyografi, Aritmi Tespiti, Konvolüsyonel Sinir Ağları(CNN), 1 Boyutlu Evrişimsel Sinir Ağları(1D CNN), Uzun Kısa Süreli Bellek(LSTM)
Derin evrişimsel ağlar kullanarak çevrimdışı sahte imza ve gerçek imza sınıflandırılması
Bu tez çalışmasında günümüzde insan hayatında önemli bir etkiye sahip olan derin öğrenme yöntemleri kullanılarak imza doğrulama ele alınmıştır. Son zamanlarda artan sahtecilik olaylarından sonra çevrim dışı imzaların incelenmesi belge inceleme uzmanları tarafından oldukça iş yükü oluşturmuştur. Yapay zeka'nın gelişimi ile birlikte imza doğrulama otomatik hale getirmek amacıyla derin öğrenme tekniklerinin ilerlemesi ile birlikte çeşitli yöntemler denenmiştir. Derin öğrenme yöntemlerinden olan evrişimsel sinir ağları kullanılmıştır. Evrişimsel sinir ağlarına ait görüntü sınıflandırmada kullanılan; AlexNet, DenseNet121, MobileNet, Vgg16, Vgg19, Resnet50, Resnet101, InceptionV1, InceptionV3 mimarileri kullanılmıştır. Kullanılan veri setleri GPDS ve ICDAR2011 imza veri setleridir. Bu veri setleri için kullanılan modellerden en yüksek başarı oranları karşılaştırılmıştır. GPDS veri seti için en yüksek doğruluk oranı MobileNet mimarisinde %99.72, ICDAR2011 veri seti için en yüksek doğruluk oranı InceptionV3 mimarisinde %99.92 elde edilmiştir.
Kalabalık sahnelerde makine öğrenmesi algoritmalarıyla anomali tespiti
Kamera sistemleri, kalabalık ortamlarda güvenliği sağlamada yaygın olarak kullanıldığı için oldukça önemli bir yere sahiptir. Kameralar aracılığıyla kaydedilen video görüntüleri incelenerek tehlikeli veya normalin dışında gerçekleşen davranış olup olmadığının kontrolü yapılmaktadır. Bu kontrolün sonucuna göre uygun tedbirler geliştirilmeye çalışılmaktadır. Anormal davranışların tanım ve tespiti için insan davranışlarının modellenmesi son yıllarda popüler bir araştırma alanı haline gelmiştir. Bu çalışma erişime açık iki adet veri setinde bulunan beş ayrı ortam videosu üzerinde makine öğrenmesi yöntemlerinden biri olan denetimli öğrenme algoritmaları uygulanarak gerçekleştirilmiştir. Veri setlerinde yer alan videolar üzerinde normal ve anormal hareket sahnelerinin tespiti yapılmıştır. Bu iki veri setinde toplam beş farklı ortam incelenmiştir. Bu işlemde denetimli öğrenme algoritmalarından olan Rastgele Orman, Destek Vektör Makineleri ve k En Yakın Komşu algoritmaları kullanılmıştır. Kullanılan algoritmalar, doğruluk, duyarlılık, kesinlik ve F1 skor gibi performans ölçütleri ile karşılaştırılmıştır.
İdrar sedimentindeki partiküllerin tespiti için YOLO algoritmasının kullanımı
Böbrek tarafından üretilen ve idrar yollarından geçen idrar, çözünemeyen artıklardan oluşmaktadır. Bu atıklar idrar yolları ve böbrek hastalıkları için önemli bilgiler içerir. İdrar analizleri yapılması ile hastalığın tanı ve teşhisi konur. Fiziksel, kimyasal ve mikroskobik inceleme yapılarak Tam İdrar Analizi gerçekleştirilir. Kesin sonuçlar için mikroskobik inceleme oldukça önemlidir. Mikroskobik incelemede idrar sedimentinin mikroskobik görüntüsü alınır ve görüntüdeki partikül tipleri görsel şekilleriyle tespit edilip sayısı belirlenerek hastalığın tanı ve teşhisi konur. İdrarın mikroskobik incelenmesinde geleneksel yöntem manuel inceleme kullanılır. Ancak bu yöntem uzman bilgisi gerektirir ve zaman alıcı bir süreçtir. Aynı zamanda karmaşık idrar görüntülerinde partiküllerin tespiti bazen zor olabilir ve standardize olmayan yanlış sonuçlar doğurabilir. Bu ve benzeri zorlukların üstesinden gelmek için ölçüm ve testlerin otomatikleştirildiği sistemler ve yazılımlar geliştirilmiştir. Çalışmada doğru, tutarlı ve standardize olmuş sonuçlar ile idrar sedimentindeki partiküllerin otomatik tespitinin gerçekleştirilmesi amaçlanmıştır. Bu amaçla YOLO11 tabanlı bir yöntem önerilmiştir. Kırmızı kan hücresi, beyaz kan hücresi, epitel, bakteri, maya, kristal, silendir ve diğer olmak üzere sekiz idrar partikül tipi tespit edilmiştir. Önerilen yöntemde YOLO11 modelinin YOLO11n, YOLO11s, YOLO11m, YOLO11l ve YOLO11xl varyantları kullanılmıştır. Elde edilen performans metrikleri ile sonuçlar karşılaştırılmıştır. Veri setinin boyutu nedeniyle en iyi sonuçlar YOLO11s modelinde alınmış olup %79.8 oranında mAP puanı elde edilmiştir. Önerilen yöntem ve elde edilen sonuçlar, idrar sedimentinin mikroskobik incelenmesinde doktorlar için hem yardımcı görüş desteği hem de eğitici bir materyal olarak kullanılabileceğini göstermektedir.
Derin öğrenme kullanılarak iki boyutlu görüntülerin yeniden yapılandırılması
Süper çözünürlük teknolojileri, düşük çözünürlüklü görüntülerden yüksek çözünürlüklü içerik elde etmeyi amaçlayan görüntü restorasyonunda kullanılan araçlardan biridir. Süper çözünürlük teknolojisi, düşük çözünürlüklü bir görüntüyü yeniden yapılandırarak kalitesini artırmayı amaçlar. Bu teknik, bir görüntünün çözünürlüğünü artırarak daha fazla detay ve netlik elde etmeye çalışır. Özellikle düşük çözünürlüklü görüntü verilerinin iyileştirilmesi gereken içeriklerde kullanışlı bir teknoloji olup birçok görüntü işleme uygulamasında kullanılır. Süper çözünürlük uygulamaları yüz tanıma, tıbbi görüntüleme, uydu görüntüleme ve video çözünürlük artırımı gibi alanlarda kullanılır. Tek görüntü süper çözünürlük işleminin temel amacı, bir görüntüdeki çözünürlük kaybını geri kazanmak ve görüntüdeki detayları yeniden yapılandırmaktır. Geleneksel yöntemlerde, bu işlem genellikle örüntü tanıma ve interpolasyon tekniklerine dayanır. Ancak son yıllarda, derin öğrenme ve yapay zeka tabanlı yöntemler, bu alanda büyük ilerlemeler kaydetmiş ve performansını önemli ölçüde iyileştiren teknikler öne çıkmaktadır. Tek görüntü süper çözünürlük yöntemlerinin avantajı, yalnızca tek bir düşük çözünürlüklü görüntüye dayanarak yüksek çözünürlüklü bir görüntü elde etme imkanı sunmasıdır. Bu, görüntülerin daha ayrıntılı bir şekilde incelenmesini ve analiz edilmesini sağlar. Ancak bu yöntemlerin karşılaştığı başlıca zorluklar, görüntüdeki gürültü, bulanıklık ve bozulmaların minimize edilmesi ve yüksek çözünürlüklü görüntülerin doğru bir şekilde yeniden yapılandırılmasıdır. Sonuç olarak, tek görüntü süper çözünürlük, görüntü işleme alanında önemli bir araştırma konusu olmaya devam etmektedir. Derin öğrenme tabanlı yöntemlerin entegrasyonu, bu alandaki başarıyı artırarak daha gerçekçi ve ayrıntılı görüntülerin elde edilmesini sağlamaktadır. Önerdiğimiz modelde, düşük çözünürlüklü özellik haritalarını yüksek çözünürlüklü görüntülere geliştirmek için bir dizi filtre öğrenen bir alt piksel evrişim katmanı sunulmaktadır. Önerilen modelimizde, verimli alt piksel evrişimli sinir ağı (ESPCN) modeline evrişim katmanları eklenir ve kaybolan eğim değerini önlemek için geçerli katmanın özellik bilgilerini önceki katmandan bir sonraki üst katmana aktarırız. Bu çalışmada önerilen verimli alt piksel evrişimli sinir ağı (R-ESPCN) modeli, gerçek zamanlı alt piksel evrişimli sinir ağının görüntüler üzerinde süper çözünürlüklü işlemler gerçekleştirmesi için gereken süreyi azaltmak üzere yeniden modellenmiştir. Sonuçlar, yöntemimizin doğruluk açısından önemli ölçüde iyileştirildiğini ve derin öğrenme yöntemlerinin görüntü verisi işleme alanında uygulanabilirliğini göstermektedir.