Theses supervised by Doç. Dr. Murat Ceylan
13 theses · Konya Technical University
Yenidoğan yoğun bakım üniteleri için termal görüntü analizi
Sıcaklık ölçümü günlük yenidoğan bakımı için hayati önem taşımaktadır. Özellikle erken doğan ve çok düşük doğum ağırlığına sahip olan yenidoğanların vücut sıcaklığının sabit tutulması oldukça önemlidir. Dolayısıyla sıcaklığın doğru bir şekilde ölçümü ve sıcaklık değişimlerinin hızlı bir şekilde tespit edilmesi yenidoğan takibi için büyük önem arz etmektedir. Medikal kızılötesi termal görüntüleme teknolojilerinin hızlı gelişimi, sıcaklığın temassız ve doğru bir şekilde ölçülmesine imkân sağlamaktadır. Temassız, iyonize olmayan, non-invazif (cerrahi işlem gerektirmeyen) ve zararsız bir metot olan kızılötesi termal görüntülemenin yenidoğan yoğun bakım ünitesinde kullanılması son zamanlarda önem kazanmıştır. Kızılötesi termal görüntüleme, vücudun yaydığı kızılötesi enerjiyi yakalayarak, organlardan ve dokulardan yayılan sıcaklık dağılımını ölçmek için kullanılan bir görüntüleme tekniğidir. Termal görüntüleme, fizyolojik fonksiyon bozukluklarının lokalize olduğu yerdeki sıcaklık değişimlerinin saptanabilmesine olanak sağlamaktadır. Vücudun sıcaklık dağılımında ortaya çıkan asimetrilerin anormalliklere işaret etmesi, termal görüntüler kullanılarak bir ön-tanı sisteminin geliştirilebileceği fikrini ortaya çıkarmıştır. Bu tez çalışması, termal görüntüleme ile yenidoğanlardan alınan termal görüntülerin sağlıklı-hasta olarak sınıflandırılmasına yönelik gerçekleştirilen çalışmaları içermektedir. Bu tezde kullanılan görüntü koleksiyonu, TÜBİTAK tarafından desteklenen 215E019 numaralı proje kapsamında, Selçuk Üniversitesi Tıp Fakültesi Yenidoğan Yoğun Bakım Ünitesinde bulunan yenidoğan bebeklerden alınan termal görüntüler (vücut sıcaklık haritası görüntüleri) ile oluşturulmuştur. İlk olarak, termal görüntülerde bebeğin vücut bölgesi dışında kalan arka planı (sınıflandırma sonucunu olumsuz etkileyebilecek) çıkarmak için görüntülere segmentasyon işlemi uygulanmıştır. İkinci olarak, segmente edilmiş görüntülere çoklu çözünürlük analizi yöntemleri uygulanarak özellik vektörleri elde edilmiştir. Tezde kullanılan çoklu çözünürlük analizi yöntemleri; Ayrık Dalgacık Dönüşümü (ADD), Ayrık Ridgelet Dönüşümü (ARiD), Curvelet Dönüşümü (CuD) ve Contourlet Dönüşümü (CoD)' dür. Son olarak, elde edilen özellik vektörleri YSA kullanılarak sağlıklı-hasta olarak sınıflandırılmıştır. İlk kez bu tez çalışması ile çoklu çözünürlük analiz yöntemlerinin yenidoğan bebeklerin termal görüntülerinin sağlıklı-hasta olarak sınıflandırılmasındaki performansları değerlendirilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak sunulmuştur. Tez çalışmasının ilk aşamasında, 19 sağlıklı ve 19 hasta yenidoğana ait 190 termal görüntünün sıcaklık haritaları kullanılarak sınıflandırılması işlemi gerçekleştirilmiştir. Segmente edilmiş 190 termal görüntüye çoklu çözünürlük analizi yöntemleri (ADD, ARiD, CuD ve CoD) uygulanarak özellik vektörleri çıkarılmış ve bu özellik vektörleri YSA kullanılarak sağlıklı-hasta olarak sınıflandırılmıştır. En yüksek sınıflandırma başarısı %100 ile ADD, en yüksek hassasiyet oranı %100 ile ADD, ARiD ve CuD, en yüksek özgüllük oranı ise %100 ile ADD kullanılarak elde edilmiştir. Daha sonra, özellik vektörlerinin boyutlarının azaltılabilmesi için çoklu çözünürlük analizi yöntemlerinin uygulanması sonucu elde edilen yaklaşım katsayılarından istatistiki özellikler (ortalama, standart sapma, varyans, çarpıklık katsayısı (skewness), basıklık katsayısı (kurtosis) ve moment) çıkarılarak YSA ile sınıflandırma işlemi gerçekleştirilmiştir. Bu sınıflandırmada termal görüntüler; ADD ile %74.74, ARiD ile %72.11, CuD ile %68.42, CoD ile %71.58 doğrulukla sınıflandırılmıştır. En yüksek hassasiyet oranı %81.05 ile ARiD, en yüksek özgüllük oranı ise %86.32 ile ADD kullanılarak elde edilmiştir. Tez çalışmasının ikinci aşamasında ise yenidoğan bakım ünitesinde kalp hastalığı (AORT Koarkrasyon, Pulmoner atreti) teşhisi konulmuş 14 hasta ve 29 sağlıklı prematüre (PRM) bebeğin RGB (kırmızı-yeşil-mavi) renk uzayına sahip termal görüntüleri kullanılmıştır. ADD, ARiD, CuD ve CoD uygulanarak özellik vektörleri çıkarılmış ve bu özellik vektörlerinin YSA kullanılarak sağlıklı-hasta olarak sınıflandırılması gerçekleştirilmiştir. Sınıflandırma sonucunda; ADD ile %81.40, ARiD ile %74.42, CuD ile %72.09 ve CoD ile %74.42 başarı sağlanmıştır. En yüksek hassasiyet oranı %57.14 ile CuD, en yüksek özgüllük oranı ise %100 ile ADD kullanılarak elde edilmiştir. Çıkan sınıflandırma sonuçlarına göre kullanılan termal görüntülerin sayısının yetersiz olduğu düşünülmüş ve bu nedenle ikinci bir sınıflandırma işlemi gerçekleştirilmiştir. Bu sınıflandırma işleminde ilk olarak, termal görüntülerin sayısının sentetik olarak artırılması için veri artırma yöntemi kullanılmıştır. 43 termal görüntü üzerinde veri artırma yöntemi uygulanarak her bir görüntüden 5 farklı görüntü daha elde edilmiştir. Böylece görüntü koleksiyonu 43 termal görüntüden 258 termal görüntüye artırılmıştır. Gerçekleştirilen sınıflandırma işleminde termal görüntüler; ADD ile %90.7, ARiD ile %90.7, CuD ile %91.09, CoD ile %91.09 doğrulukla sınıflandırılmıştır. En yüksek hassasiyet oranı %86.91 ile ADD, en yüksek özgüllük oranı ise %94.25 ile CuD kullanılarak elde edilmiştir. Sonuç olarak veri artırma yöntemi uygulanarak gerçekleştirilen sınıflandırmada daha yüksek doğruluk, hassasiyet ve özgüllük oranlarına ulaşılabildiği görülmüştür.
Yeni doğan bebeklerin termal görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Yeni doğan bebeklerin hastalıklarının erken teşhis edilmesi ve tedavi süreçlerinin izlenmesi sağlık durumlarının korunması bakımından büyük önem taşımaktadır. Termal görüntüleme iyonize olmayan, zararlı radyasyon içermeyen ve temassız bir görüntüleme tekniği olarak yeni doğan bebeklerin görüntülenmesinde on yıllardır kullanılmaktadır. Vücudun termal simetri dengesi temel alınarak gerçekleştirilen bu çalışmalar incelendiğinde klasik görüntü işleme tekniklerinin uygulandığı görülmektedir. Bu teknikler görüntü ön işleme (yeniden boyutlandırma, gri seviyeye dönüşüm), görüntü iyileştirme (gürültü giderme, histogram eşitleme), manuel ilgi alanı (İA) seçimi ve İA' da meydana gelen değişimlerin izlenmesidir. Probleme dayalı olarak geliştirilen bir algoritma bu teknikler kullanılarak başarılı sonuçlar elde edebilir fakat görüntüleme esnasında meydana gelebilecek her türlü durumun algoritmada tanımlanması gerekmektedir. Örneğin bebekler kuvöz içerisinde hareket ettiğinden dolayı oluşturulan İA' nın bu hareketlere bağlı olarak şekil değiştirmesi, yeniden eşleşmesi ve izlemeye devam etmesi gerekmektedir. Bütün olasılıklar hesaba katıldığında işlem yükünün artacağı buna bağlı olarak da gerçek zamanlı uygulamalardan uzaklaşılacağı görülmektedir. Çok katmanlı algılayıcılar, evrişimli sinir ağları ve çekişmeli üretici ağlar gibi derin öğrenme yöntemlerinin gelişmesi ile birlikte görüntü sınıflandırma ve görüntü üretme gibi işlemler görüntüden öğrenme felsefesi esas alınarak gerçekleştirilmektedir. Böylece her duruma karşılık gelen bir kod dizini oluşturmak yerine her durumu ifade eden görüntüler bulunması yeterli olmaktadır. Bu tez kapsamında Selçuk Üniversitesi, Tıp Fakültesi, Yeni Doğan Yoğun Bakım Ünitesinde tedavi gören 40 bebeğe ait termal görüntüler hem makine öğrenimi ve derin öğrenme yöntemleri kullanılarak sınıflandırılmış hem de termal görüntülerin yeniden üretilmesi gerçekleştirilmiştir. Burada derin öğrenme yöntemlerinin eğitilmesi için binlerce görüntüye ihtiyaç duyulmaktadır ancak medikal alanda böyle bir görüntü setinin oluşturulması çok uzun süreler alacağından görüntülerin artırılması için veri artırımı yöntemleri kullanılmıştır. Sonuçlar 10 – katlamalı çapraz doğrulama tekniğine göre elde edilmiş ve çeşitli değerlendirme kriterleri (karmaşıklık matrisi, özgüllük, doğruluk, hassasiyet, alıcı işlem karakteristiği, eğri altında kalan alan, yapısal benzerlik indeksi ve tepe sinyal gürültü oranı) ile değerlendirilmiştir. Çalışmalar arasında en iyi sınıflama sonucu evrişimli sinir ağları ve veri artırımı kullanılarak % 99.85 hassasiyet, % 99.82 özgüllük ve % 99.84 doğruluk değeri ile elde edilmiştir. Bu sonuçlar derin öğrenme yöntemlerinin termal görüntülerin sınıflandırılmasında oldukça başarılı olduğunu göstermektedir.
Yumurta üretim tesisleri için görüntü analiz sisteminin geliştirilmesi ve uygulanması
Gelişen teknoloji ve artan talep nedeniyle yumurta üretim tesisleri büyümüş ve üretim miktarları artmıştır. Buna paralel olarak yumurta üretiminde kalite ve hijyen ön plana çıkmıştır. Kaliteli ve hijyenik yumurta üretimi açısından kusurlu yumurtaların paketleme hattından çıkarılması, geriye kalan yumurtaların ambalajda belirtilen standartlarda ayrılarak paketlenmiş olması gerekmektedir. Bu işleme yumurta tasnif işlemi denilmektedir. Avrupa Birliği standartları çerçevesinde Tarım ve Orman Bakanlığı, üretilen yumurtaların ayrılması, sınıflandırılması ve ne şekilde paketlenip tüketiciye sunulması gerektiği konusunda genelge yayınlamıştır. Yumurta üretimi yapan işletmeler Bakanlıkça yayınlanan genelgede belirlenen sınırlar içerisinde üretim yapmak zorundadırlar. Yumurta tasnif işlemi, insan gücüne dayalı olarak yapılabildiği gibi gelişen teknolojiyle birlikte yumurta tasnif işlemi yapmak üzere tasarlanmış makineler yardımıyla da yapılabilmektedir. Üretim kapasitelerine bağlı olarak işletmeler bu iki tasnif yönteminden birini tercih etmektedirler. Görüntü işleme, yumurta tasnif işleminde kullanılabilir bir teknoloji konumundadır. Görüntü işleme tekniklerini kullanarak insan gücüne oranla hızlı ve güvenilir, mevcut tasnif makinelerine göre ise düşük maliyetli sistemler tasarlamak mümkündür. Bu tez çalışmasında, yumurta üretim tesislerinde, taşıyıcı bant üzerinden gelen yumurtaları istenilen sınıflara ayıran görüntü işleme temelli bir gömülü sistem tasarımı yapılmıştır. Taşıyıcı bant üzerine yerleştirilen kamera vasıtasıyla alınan yumurtaya ait görüntüler, geliştirilen algoritmalar vasıtasıyla değerlendirilerek yumurtanın kusur tespiti ve boyutsal sınıflandırma uygulaması yapılmıştır. Bu çalışmada, Raspberry Pi mikrobilgisayarı ve bu bilgisayara ait kamera kullanılmıştır. Program, OpenCV kütüphanesi kullanılarak python programı vasıtasıyla geliştirilmiştir. Yumurta taşıma sistemine entegre edilen sensör vasıtasıyla bandın dönüş bilgisi elde edilmiş, bu bilgi kullanılarak kameradan belirli periyotlarda görüntü alınması sağlanmıştır. Her bir yumurtanın üç adet görüntüsü alınmış dolayısıyla tüm yüzeylerine ait görüntüler elde edilmiştir. Elde edilen görüntüler ışığında yumurta kabuğunda herhangi bir kusur olup olmadığı değerlendirilmiş, kusur olmaması durumunda yumurtanın boyutsal analizi yapılmıştır. Üç farklı çözünürlükte yapılan uygulamada, en yüksek başarı 1280x720 çözünürlükte gerçekleştirilmiştir. 120 adet yumurta üzerinde yapılan çalışmada, kabuk kusurları %100 başarı ile tespit edilirken, boyutsal sınıflandırma işlemi %92,85 başarı ile gerçekleştirilmiştir.
Hiperspektral görüntüleme yöntemi kullanılarak yenidoğan sağlık durumlarının derin öğrenme metotları ile sınıflandırılması
Yenidoğan bebeklerin sağlık durumlarının hızlı ve zararsız bir şekilde erken tespiti, bebeklerin hem hayatta kalmasını hem de yaşam kalitesini artırabilir. Bu doğrultuda, yenidoğan bebeklerin sağlık durumu tespitinde en iyi yöntem, bebeğe en az invaziv girişim yapılan yöntemdir (az dokun-çok gözlemle prensibi). Yenidoğan Yoğun Bakım Ünitesinde (YYBÜ) bulunan yenidoğanların yaşatılması ve sekellerinin azaltılmasında önemli unsurlardan birisi de gelişen teknolojilerden faydalanılarak oluşturulacak ön tanı ve takip sistemleridir. Hiperspektral görüntüleme (HSG), doku biyopsisinden kaçınarak doku hakkında tanısal bilgiler verdiği için, temassız olarak yenidoğan sağlık durumunun tespitinde güçlü bir araç olarak görülmektedir. Tez çalışmasında kullanılan hiperspektral görüntüler, Selçuk Üniversitesi Tıp Fakültesi Yenidoğan Yoğun Bakım Ünitesindeki 19 farklı yenidoğandan elde edilmiştir. Toplamda 32 hiperküp ve bu hiperküplerden elde edilen 6528 hiperspektral görüntü mevcuttur. HSG kullanarak yenidoğanların sağlık durumunu tespit etmek için 2 boyutlu Evrişimli Sinir Ağları (2B-ESA) ve 3 boyutlu Evrişimli Sinir Ağları (3B-ESA) modelleri kullanılmıştır. Komşuluk çıkarma yöntemi kullanılarak mini küpler oluşturulup 3B-ESA ile sınıflandırma işlemi yapılmıştır. Sınıflandırma performansını değerlendirmek için genel doğruluk, Cohen'in kappa katsayısı, hassasiyet ve özgüllük değerleri hesaplanmıştır. Komşuluk çıkarma yöntemi kullanılarak %100 genel doğruluk, %100 Cohen'in kappa katsayısı, %100 hassasiyet ve %100 özgüllük değerine ulaşılmış ve tüm veriler doğru sınıflandırılmıştır. Ayrıca komşuluk çıkarma yöntemiyle az eğitim verisi kullanılarak yüksek doğruluk oranları elde edilmiştir. Bu sonuçlar yenidoğanlara ait hiperspektral görüntülerin sınıflandırılmasında derin öğrenme yöntemlerinin oldukça başarılı olduğunu göstermektedir.
Kompleks değerli yapay sinir ağları için yeni aktivasyon fonksiyonlarının tanımlanması
Kompleks değerli yapay sinir ağı (KDYSA), ağırlıkları, eşik değerleri, giriş, çıkış sinyallerinin tamamı kompleks sayılardan oluşan sinir ağlarıdır. KDYSA, kompleks sayılara sahip verileri doğrudan işlemek için geliştirilmiştir. Kompleks sayılara sahip verileri içeren problemlerin çözümünde, bilinen yöntem kullanıldığında, kompleks olan verinin reel ve imajiner kısımları için ayrı ayrı YSA uygulanması gerekmektedir. Hâlbuki aynı problem için KDYSA uygulandığında veriler üzerinde, reel ve imajiner kısımları ayırmaya gerek kalmadan, doğrudan işlem yapabilmektedir. Böylelikle problemlerin işlem zamanının azaldığı gibi ağın da doğruluk oranının arttırıldığı görülmüştür. KDYSA radar görüntüleme, telekomünikasyon, Fourier dönüşümü ile görüntü işleme ve karmaşık sayılarla uğraşan anten tasarımı gibi çeşitli alanlarda yaygın olarak kullanılmaktadır. Bu işlemleri yapan yapay sinir ağlarının performansı bazı faktörlere göre değişme göstermektedir. Bunlar; verilerin normalizasyonu, öğrenme oranı, başlangıç ağırlıkları ve uygun aktivasyon fonksiyonunu seçimi olarak sıralanabilir. Bu faktörlerden en önemlisi uygun aktivasyon fonksiyonunun seçimidir. Bir aktivasyon fonksiyonunun seçimi, kompleks geriye yayılım algoritmasının yakınsamasını ve genel oluşum özelliklerini belirler. Yapay sinir ağlarında aktivasyon fonksiyonun seçimi, eğitim dinamikleri ve görev performansı üzerinde önemli bir etkiye sahiptir. Bu tez çalışmasında, KDYSA performansını arttırmak ve eğitim süresini kısaltmak için yeni kompleks aktivasyon fonksiyonları tanımlanmıştır. Bu fonksiyonlar; kompleks swish, kompleks modifiye swish, kompleks e-swish ve kompleks düzleştirilmiş t-swish olarak isimlendirilmiştir. Yeni tanımlanan bu aktivasyon fonksiyonlarını kullanan ağların performansı, literatürde sıklıkla çözülen Exclusive-OR (XOR), Simetri ve Kanal dengeleme problemleri üzerinde değerlendirilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak sunulmuştur.
Derin öğrenme yöntemleri kullanılarak osteoporozun belirlenmesi
Osteoporoz, düşük kemik mineral yoğunluğu ile karakterize edilen en yaygın kronik kemik hastalığıdır. Dual Enerji X-Işını Absorbsiyometrisi (DEXA) taraması, kemik mineral yoğunluğunu ölçmek ve osteoporoz tanısı koymak için en sık kullanılan yöntemdir. Ancak, cihazın büyüklüğü ve yüksek maliyeti gibi belirli kısıtlamaları vardır. Standart X-ışınları ve Bilgisayarlı Tomografi (BT) gibi diğer tarama yöntemleri, hastalık ortaya çıkana kadar osteoporozu belirleyemediği için teşhis amacıyla kullanılamaz. Bu çalışmada, topuk kemiğinin x-ışını görüntülerini (düz radyografiler) kullanarak osteoporoz sınıflandırması için invazif olmayan bir yöntem önerilmiştir. Evrişimsel Sinir Ağları ile Veri Arttırma teknikleri ve Transfer Öğrenme Mimarileri, sağlıklı ve osteoporotik hastaların x-ışını görüntülerini sınıflandırmak için birleştirilmiştir. Önerilen yaklaşım ile osteoporozun teşhisi yüksek doğrulukla gerçekleştirilmiştir.
Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım
Doğumdan sonraki ilk yirmi sekiz gün yenidoğan periyodu olarak adlandırılmaktadır. Doğumsal anomaliler veya sonradan gelişen hastalıklar bu süre içinde ölüm oranının yüksek olmasına neden olmaktadır. Yenidoğan yoğun bakım ünitelerinde yer alan inkübatörlerde bakım ve tedavileri yapılan bebeklerin ani değişim gösterebilen vücut sıcaklıklarının hızla tespit edilmesi, sağlık durumlarının izlenmesinde önem kazanmaktadır. Yenidoğanda vücut ısısının ve termal simetrinin değerlendirilmesi, sağlık koşullarının izlenmesinde ve potansiyel risklerin tahmin edilmesinde önemlidir. Zararsız ve temassız bir yöntem olan termografi ile uygun yapay zekâ teknikleri kullanılarak yenidoğandaki hastalıkları erken aşamada tespit etmek mümkün olabilir. İnkübatörler bebeklerin tedavi ve bakımlarının yapıldığı, sıcaklık, nem, oksijen gibi parametrelerin kontrol altında tutulduğu yaşam alanlarıdır. Hastalıklara karşı savunma mekanizmalarının gelişmemiş olması, solunum desteğine ve fizyolojik parametrelerinin izlendiği cihazlara bağlı bulunmaları, termal izolasyonun sağlanma gereksinimi gibi faktörler mevcuttur. Ayrıca bazı hastalık kategorilerine sık rastlanırken, bazı hastalıklar nadiren görülmektedir. Yenidoğan yoğun bakım ünitelerinde karşılaşılan vaka çeşitliliği ve yenidoğan görüntülemenin hassasiyetle uygulanma gerekliliğinden yenidoğanların konfor alanını bozmadan tüm hastalık gruplarında yeterli sayıda görüntü popülasyonu içeren veri tabanları oluşturulamamaktadır. Tez çalışmasında az veri ile yenidoğan hastalıkları hakkında bilgi edinmeyi amaçlayan teknikler kullanılarak sınırlı sayıda veri içeren problemlere yönelik verimli sınıflama yöntemleri ve ön-tanı sistemleri geliştirilmiştir. Böylece veri sayısının yetersiz olduğu hastalıkların sınıflanması sağlanmıştır. Yeni doğan bebeklere ait tüm termogramlar Selçuk Üniversitesi, Tıp Fakültesi, Yeni Doğan Yoğun Bakım ünitesinde kaydedilmiş ve bir termal görüntü veri tabanı oluşturulmuştur. Geleneksel yapay zekâ yöntemlerine dayalı nesne sınıflama algoritmaları binlerce görüntü ve çok büyük veri kümeleri üzerinde eğitim gerektirirler. Sınıflama problemlerinde sık karşılaşılan durumlardan biri veri sayısının az olması ve bazı sınıflarda hiç verinin bulunmamasıdır. Bu problemin üstesinden gelebilmek için daha fazla veri toplamak gerekmektedir. Daha fazla veri toplamanın mümkün olmadığı durumlarda ise eldeki az miktarda veriyi çeşitli yollarla artırmak ve az veri ile öğrenmenin yollarını araştırmak gerekmektedir. Tez çalışmasında veri sayısının az ve dengesiz olması problemine karşılık verimli sınıflama yaklaşımları önerilmiştir. Bu kapsamda derin öğrenme ve veri artırma yaklaşımları ile kardiyovasküler hastalıklar, pulmoner anomaliler, nekrotizan enterokolit, intestinal atrezi, enfeksiyon hastalıkları ve özofagus atrezinin sınıflanması gerçekleştirilmiştir. İlk kez bu çalışma ile yenidoğan hastalıkları çok sınıflı olarak ele alınmış ve sınırlı sayıda veri örneği bulunan hastalıklar yüksek başarımla ayırt edilmiştir. Yürütülen uygulamalar dört başlık altında gerçekleştirilmiştir. Farklı evrişimli sinir ağları modelleri ve Siyam sinir ağları ile tek atış öğrenme yaklaşımı kullanılan çalışmalardan ilkinde tam bağlı ağ katmanında yapay sinir ağları ve destek vektör makinesi kullanılan evrişimli sinir ağları ile 'abdominal ve renal hastalıklar', 'kardiyovasküler hastalıklar' ve 'pulmoner anomaliler' veri artırma tekniklerinin yardımıyla %83 doğrulukla sınıflanmıştır. Önerilen ikinci yöntemde, dört hastalık sınıfı için altı farklı yaklaşım önerilmiş ve en yüksek doğruluk %94.55 olarak elde edilmiştir. Yenidoğanlarda en sık karşılaşılan durumlardan biri olan pulmoner anomalilerin belirlenmesi için yapılan çalışmada evrişimli sinir ağı modeli geliştirilmiş ve veri artırmanın etkileri incelenmiştir. Bu uygulamada 34 yenidoğandan alınan görüntüler üzerinde veri artırımının sınıflama doğruluğunu %84'ten %91'e yükselttiği tespit edilmiştir. Bir başka uygulamada ise Siyam sinir ağları ve tek atış öğrenme yaklaşımı kullanılarak veri sayısının az olduğu hastalıkların (nekrotizan enterokolit, özofagus atrezisi ve intestinal atrezi vb.) tespitinde uzmanlara ön-tanı sağlamak için çok sınıflı sınıflama çalışması gerçekleştirilmiştir. İki farklı optimizasyon tekniği ve veri artırımı kullanılarak, 2 sınıflı ve 3 sınıflı değerlendirme yaklaşımlarında test edilen yöntem ile sadece birkaç örnek veri bulunan kritik hastalıklar sınıflanmıştır. Sinir ağı modeli tarafından hiç görülmeyen sınıfların test edilebildiği tek atış öğrenme yaklaşımı sonuçlarına göre katman-bazlı stokastik grayan inişi algoritması veri artırımı ile kullanıldığında ortalama %92.50 doğruluk değeri vermiştir. Hastalık türü baz alınarak çıkarılan sonuçlar enfeksiyon hastalıkları ve özofagus atrezide %100, intestinal atrezide %99.17, nekrotizan enterokolitte %94.17 doğruluk elde edildiğini göstermektedir.
Termal görüntü çözünürlüğünün artırılması için derin öğrenme tabanlı bulut sisteminin geliştirilmesi
Termal görüntüleme sistemleri temassız bir şekilde sıcaklık ölçümü sağlamakta olup, insan sağlığına zararsızdırlar. Dolayısıyla, canlılar üzerinde güvenli bir şekilde kullanılabilmektedir. Termal kameralar, sıcaklık değişiminin tespitini gerektiren kamu güvenliği, sağlık, savunma gibi birçok sektörde kullanılabilmektedir. Bununla birlikte termal kameraların hem yüksek maliyetli olması hem de kenar detay bilgisi düşük görüntüler oluşturması kullanımlarını sınırlandırmaktadır. Düşük maliyetli termal kameralar ise termal görüntülemenin farklı alanlarda kullanımını kolaylaştırmaktadır. Bu termal kameralar düşük detay bilgisine sahip düşük çözünürlüklü termal görüntüler oluşturabilmektedir. Bu sebeple, düşük çözünürlüklü bu termal görüntülerin çözünürlüklerini iyileştirme ihtiyacı ortaya çıkmıştır. Burada, süper çözünürlük tekniklerinin düşük kalitedeki bu görüntüler üzerinde kullanımı büyük önem arz etmektedir. Süper çözünürlük, bir dizi düşük çözünürlüklü görüntü kullanılarak daha yüksek çözünürlüklü bir görüntü oluşturulması olarak tanımlanmaktadır; fakat son yıllardaki derin öğrenme tabanlı uygulamalar için, yüksek çözünürlüklü (gerçek referans) bir görüntünün, düşük çözünürlüklü (DÇ) karşılığından tahmin edilmesi şeklinde tanımlanması daha doğru bir ifade olacaktır. Süper çözünürlük kavramı hem yazılım hem de donanım tabanlı olarak uygulanabilir olmasına rağmen, gerçekleştirilen çalışmaların büyük bir kısmı yazılım tabanlı süper çözünürlük uygulamaları üzerinedir. Son yıllardaki derin öğrenme alanında yaşanan gelişmeler ve donanımsal ilerlemeler, derin öğrenme algoritmalarının süper çözünürlük uygulamalarında daha yaygın bir şekilde kullanılmasını sağlamıştır. Tez çalışması kapsamında, iki farklı termal veri tabanı oluşturularak süper çözünürlük uygulamaları gerçekleştirilmiştir. Ayrıca, süper çözünürlük uygulamaları için ilk önce çekişmeli üretici ağlar (ÇÜA) tabanlı "Termal Süper Çözünürlük Çekişmeli Üretici Ağlar (TSÇÇÜA)" modeli tasarlanmış olup, daha sonra bu modelin başarısını artırmak amacıyla TSÇÇÜA+ modeli geliştirilmiştir. Süper çözünürlük uygulamalarında kullanılan ilk veri tabanı yenidoğan bebeklere (neonatal) ait termal görüntülerdir ve çalışmalarda yüksek çözünürlüklü (gerçek referans) görüntüler olarak dikkate alınmıştır. Daha sonra, düşük çözünürlüklü görüntülerden oluşan veri setleri belirli oranlarda (1/2, 1/4, 1/8, 1/16) alt ölçekleme yapılarak elde edilmiştir. Elde edilen sonuçlar görüntü kalite metrikleri olan tepe sinyal gürültü oranı (TSGO) ve yapısal benzerlik indeksi (YBİ) ile değerlendirilmiştir. TSGO ve YBİ değerleri incelendiğinde, geliştirilen modellerin literatürdeki diğer modellerle karşılaştırıldığında daha başarılı oldukları görülmektedir. Ayrıca TSÇÇÜA+ modeli TSÇÇÜA modeli ile karşılaştırıldığında, TSGO değerlerinde 1-1,5 dB aralığında artış gösterirken, YBİ değerlerinde %2-3 aralığında artış göstermiştir. Ek olarak, görev tabanlı değerlendirme yapabilmek amacıyla evrişimli sinir ağları tabanlı (ESA) tabanlı bir sınıflayıcı model tasarlanarak, hasta-sağlıklı bebekleri sınıflama uygulamaları gerçekleştirilmiştir. Sonuçlar değerlendirildiğinde, süper çözünürlüklü görüntülerin sınıflama başarısının düşük çözünürlüklü görüntülere kıyasla yaklaşık %10 arttığı gözlenmiştir. Ayrıca, TSÇÇÜA+ modelinin de TSÇÇÜA modeline göre yaklaşık % 3 daha başarılı sınıflama yaptığı görülmüştür. Tez çalışmaları kapsamında kullanılan ikinci veri tabanı, termal yüz görüntülerinden oluşmaktadır. Bu veri tabanı iki farklı termal kamera vasıtasıyla oluşturulmuştur. Burada, yüksek maliyetli bir termal görüntüleme sistemi kullanılarak yüksek çözünürlüklü (gerçek referans) görüntüleri elde edilirken, düşük maliyetli ve akıllı telefona takılarak kullanılabilen bir termal kamera aracılığıyla düşük çözünürlüklü görüntüler elde edilmiştir. Süper çözünürlük uygulamalarında yine TSÇÇÜA ve TSÇÇÜA+ modellerinden yararlanılmıştır. Burada, düşük maliyetli kameranın performansını yüksek maliyetli kameranın performansına yaklaştırarak, termal görüntüleme projelerindeki maliyet problemlerinin önüne geçilmesi hedeflenmiştir. Elde edilen sonuçlar değerlendirildiğinde, TSGO ve YBİ değerlerinin en gelişmiş modellere göre artış gösterdiği gözlenmiştir. Bunun yanı sıra TSÇÇÜA+ modelinin TSÇÇÜA modeline kıyasla TSGO değerinde yaklaşık olarak 0,5 dB, YBİ değerinde ise %5 daha başarılı olduğu görülmüştür. Ayrıca, oluşturulan süper çözünürlük sisteminin bulut ortamında çalıştırılmasına yönelik bir çalışma yürütülmüştür. Android bir arayüz kullanılarak oluşturulan bulut tabanlı sistem sayesinde süper çözünürlük tekniklerinden gerçek zamanlı ve aktif olarak yararlanılabileceği öngörülmektedir. Farklı kullanıcılar tarafından kolay bir şekilde erişilebilen ve farklı uygulamalara adapte edilebilen bulut tabanlı geliştirilen bu sistem sayesinde düşük maliyetli termal kameralar gerçek hayata yönelik uygulamalarda yaygın bir şekilde kullanılabilecektir. Anahtar Kelimeler: Bulut bilişim, Çekişmeli üretici ağlar, Derin öğrenme, Evrişimli sinir ağları, Sınıflama, Süper çözünürlük, Termal görüntüleme
COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
2019 yılının son günlerinde Çin'in Hubei eyaletinin Wuhan kentinde ortaya çıkan SARS-CoV-2 virüsü, dünya çapında ciddi bir salgına neden olmuştur. Zoonotik kökenli olduğu değerlendirilen SARS-CoV-2 virüsü ilk olarak Çin'i etkisi altına almıştır. İlerleyen günlerde söz konusu virüsün diğer ülkelere de yayılmasıyla Dünya'nın bütün ülkeleri ciddi biçimde salgından etkilenmeye başlamıştır. SARS-CoV-2 virüsü hastalarda solunum sıkıntısına neden olmaktadır. Söz konusu virüsün insanlarda neden olduğu zatürre, Dünya Sağlık Örgütü (DSÖ) tarafından COVID-19 (Coronavirus Disease-2019) hastalığı olarak isimlendirilmiştir. COVID-19 hastalığının yaygın semptomları ateş, öksürük, nefes darlığı, kas ağrısı ve halsizlik olarak sıralanmaktadır. Hastalığın genel olarak akciğer üzerinde oldukça ağır ve olumsuz etkileri vardır. Bilgisayarlı Tomografi (BT) ve X-ray görüntüleme, bir bakteri veya virüsün neden olduğu zatürrenin teşhisi ve klinik değerlendirmesi için önemli radyolojik bilgiler sağlamaktadır. COVID-19 hastalığının ortaya çıkmasından sonra söz konusu görüntüleme yöntemleri bu hastalığın radyolojik olarak görüntülenmesinde de yaygın olarak kullanılmaya başlamıştır. COVID-19 hastalığı akciğer üzerinde interstisyel tutuluma, iki taraflı ve düzensiz buzlu cam opasitelerine ve parankimal apselere neden olmaktadır. Bu radyolojik belirtiler BT ve X-ray görüntüleri üzerinden gözlemlenebilmektedir. Ayrıca, COVID-19 hastalığının radyolojik semptomları ile diğer viral veya bakteriyel zatürrelerin radyolojik semptomlarında bazı farklılıklar vardır. COVID-19 hastalığının en yaygın teşhisi, Ters Transkripsiyon-Polimeraz Zincir Reaksiyonu (TT-PZR) testi ile yapılmaktadır. Bu test genellikle birkaç saat içinde sonuç vermektedir. Ancak, TT-PZR testinin COVID-19 hastalığına sebep olan SARS-CoV-2 virüsünün tespitindeki duyarlılığı oldukça düşüktür. Yani, gerçekte virüs taşıyanlar söz konusu test ile sıklıkla yanlış teşhis edilebilmektedir. Bu sebeple DSÖ, sadece TT-PZR testi pozitif olan vakaların değil, TT-PZR sonucu negatif olmasına rağmen radyolojik veya klinik semptomlarla bu virüsü taşıdığı tespit edilen vakaların da doğrudan bildirilmesini şart koşmaktadır. COVID-19 salgınının kontrol altına alınmasında en önemli faktörlerden biri virüsü taşıyan hastaların hızlı teşhis edilmesi ve izolasyonudur. TT-PZR testinin sonuç vermesinin saatler alması virüsü taşıyan kişilerin hızlı şekilde izole edilmesini zorlaştırmaktadır. Ayrıca, testin duyarlılığının düşük olması virüsü taşıyan kişilerin yanlış teşhis edilmesine bağlı olarak bulaş oranlarını yükseltmektedir. Bu durum COVID-19 salgını ile mücadele konusunda radyolojik görüntülemenin etkili şekilde kullanılmasını ve görüntülerin otomatik olarak değerlendirilmesini bir zorunluluk haline getirmektedir. Tez çalışmasında söz konusu ihtiyaçlara cevap vermek için derin öğrenme temelli yapay zekâ uygulamaları gerçekleştirilmiştir. Tez çalışması toplam yedi adet uygulama içermektedir. Birinci uygulamada BT görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması gerçekleştirilmiştir. Uygulamada klasik makine öğrenme yöntemleri olan Destek Vektör Makinesi ve k-En Yakın Komşu ile derin öğrenme yöntemi olan İki Boyutlu (2B) Evrişimli Sinir Ağları (ESA) mimarilerinin sınıflandırma performansları karşılaştırılmıştır. 2B ESA olarak uygulamada oluşturulmuş 23 katmanlı bir mimari ile transfer öğrenme AlexNet ve MobileNetV2'den yararlanılmıştır. Uygulamada doğrudan orijinal görüntülerin yanı sıra ön işlem olarak Gri Seviye Eş-oluşum Matrisi, Yerel İkili Desenler (YİD) ve Lokal Entropi (LE) kullanılarak elde edilen özellik görüntüleri için de sınıflandırma işlemi yapılmıştır. Ayrıca, tüm bu orijinal ve özellik görüntülerinin ikili, üçlü ve dörtlü olarak birleştirilmesi için deneyler tekrarlanmıştır. Uygulamada gerçekleştirilen deneyler iki kat çapraz doğrulama ve on kat çapraz doğrulama olmak üzere iki farklı eğitim ve test prosedürü ile gerçekleştirilmiştir. Tez çalışmasının bu uygulamasında ayrıca, veri artırımının uygulama sonuçlarına etkisi incelenmiştir. Bu kapsamda görüntülerin veri artırma teknikleri ile beş, on ve yirmi kat artırılması durumu için 23 katmanlı 2B ESA mimarisiyle iki kat çapraz doğrulama prosedürüne göre deneyler gerçekleştirilmiştir. Uygulama sonuçları özellik görüntülerinin orijinal görüntülerle birlikte kullanılmasının sonuçlara önemli katkılar sağladığını göstermektedir. Tez çalışmasının ikinci uygulamasında BT görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması ile COVID-19 zatürresi ve diğer zatürre sınıflandırması olmak üzere iki başlıkta iki sınıflı sınıflandırma gerçekleştirilmiştir. Sınıflandırma için uygulama kapsamında oluşturulmuş 24 katmanlı bir 2B ESA mimarisinden yararlanılmıştır. Uygulamada orijinal BT görüntülerinin doğrudan kullanılması ve orijinal görüntülere ön işlem olarak YİD uygulanması durumu için deneyler gerçekleştirilmiştir. Ayrıca, ikincil işlem olarak Kompleks Değerli Dalgacık Dönüşümü (KDDD) uygulanmasıyla elde edilen görüntü alt bantlarının tek başlarına ve kombinasyonlar halinde kullanılması durumu için sınıflandırma işlemleri tekrarlanmıştır. Uygulamada son olarak orijinal BT görüntüleri kullanılarak elde edilen sonuçlar ile ön işlem olarak YİD uygulanarak elde edilen sonuçların birleştirilmesini sağlayan Veri Akış Hattı (VAH) yaklaşımlarının başarıları analiz edilmiştir. Uygulamanın deneyleri on kat çapraz doğrulama kullanılarak gerçekleştirilmiştir. Uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, KDDD kullanılarak görüntü boyutlarının başarılı şekilde azaltılabileceği ve VAH kullanılmasına bağlı olarak oluşan zaman maliyetinin ortadan kaldırılabileceğine işaret etmektedir. Tez çalışmasının üçüncü uygulamasında BT görüntüleri üzerinden COVID-19 zatürresi, sağlıklı ve diğer zatürre olmak üzere üç sınıflı otomatik sınıflandırma gerçekleştirilmiştir. Uygulamada MobileNetV2, ResNet-101, GoogleNet, Xception, DenseNet-201, EfficientNetB0 ve InceptionV3 olmak üzere toplam yedi adet transfer öğrenme 2B ESA mimarisi kullanılmıştır. Uygulamada kullanılan COVID-19 görüntülerinden 810 tanesi Konya Selçuk Üniversitesi Tıp Fakültesi Hastanesi'nden (27.07.2020 tarih ve 220/326 sayılı etik kurul kararı) elde edilmiştir. Uygulamada doğrudan orijinal BT görüntüleri ve ön işlem olarak YİD uygulanarak elde edilen özellik görüntüleri için dört kat çapraz doğrulama esasına göre deneyler gerçekleştirilmiştir. Ayrıca, ikinci uygulamaya benzer şekilde VAH yaklaşımı kullanılarak sonuçlar birleştirilmiştir. Üçüncü uygulama sonuçları da VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, VAH yaklaşımında YİD özellik görüntüleri kullanılmasının yanlış sınıflandırılan görüntülerin sayısının azaltılmasında daha etkili olduğuna işaret etmektedir. Tez çalışmasının dördüncü uygulamasında ilk üç uygulamadan farklı olarak BT görüntüler üzerinden COVID-19 hastalık tespitini yerine COVID-19 zatürre seviyesinin sınıflandırılmasına odaklanılmıştır. Uygulamada kullanılan BT görüntüleri COVID-19 görüntüleri Selçuk Üniversitesi Tıp Fakültesi Hastanesi'nden (27.07.2020 tarih ve 220/327 sayılı etik kurul kararı) elde edilmiştir. Uygulamada sınıflandırma işlemleri MobileNetV2, ResNet-101, Xception, InceptionV3, GoogleNet, EfficientNetB0, DenseNet-201 ve DarkNet-53 olmak üzere toplam sekiz farklı transfer öğrenme 2B ESA mimarisi kullanılarak gerçekleştirilmiştir. En yüksek başarıyı gösteren transfer öğrenme 2B ESA mimarilerinin sonuçları VAH yaklaşımı kullanılarak birleştirilerek yeni sınıflandırma sonuçları hesaplanmıştır. Uygulamada eğitim ve test işlemleri beş kat çapraz doğrulama kullanılarak gerçekleştirilmiştir. Dördüncü uygulama sonuçları ESA mimarileri kullanılarak COVID-19 zatürrre seviyesinin başarılı şekilde sınıflandırılabileceğine işaret etmektedir. Ayrıca, VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Tez çalışmasının beşinci uygulamasında X-ray görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması gerçekleştirilmiştir. Sınıflandırma için uygulama kapsamında oluşturulmuş 23 katmanlı ve 54 katmanlı iki farklı 2B ESA mimarisinden yararlanılmıştır. Beşinci uygulamada, ikinci uygulamaya benzer şekilde, orijinal X-ray görüntülerinin doğrudan kullanılması ve ön işlem olarak YİD uygulanarak kullanılması durumu için deneyler gerçekleştirilmiştir. Ayrıca, ikincil işlem olarak KDDD uygulanmasıyla elde edilen görüntü alt bantlarının tek başlarına ve kombinasyonlar halinde kullanılmasıyla sınıflandırma işlemleri yapılmıştır. Uygulamada son olarak orijinal X-ray görüntüleri kullanılarak elde edilen sonuçlar ile ön işlem olarak YİD uygulanarak elde edilen sonuçların birleştirilmesini sağlayan VAH yaklaşımlarının başarıları analiz edilmiştir. Uygulamada deneyler iki kat çapraz doğrulama ve yirmi üç kat çapraz doğrulama prosedürü kullanılarak gerçekleştirilmiştir. Uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, KDDD kullanılarak görüntü boyutlarının başarılı şekilde azaltılabileceği ve VAH kullanımına bağlı olarak oluşan zaman maliyetinin ortadan kaldırılabileceği anlaşılmaktadır. Tez çalışmasının altıncı uygulamasında X-ray görüntüleri üzerinden COVID-19 ve sağlıklı, COVID-19 zatürresi ve bakteriyel zatürre, COVID-19 zatürresi ve viral zatürre ile COVID-19 zatürresi ve diğer zatürre olmak üzere toplam dört başlıkta iki sınıflı sınıflandırma gerçekleştirilmiştir. Uygulamada orijinal X-ray görüntülerinin tek başına kullanılmasının yanı sıra ön işlem olarak YİD ve LE uygulanarak elde edilen görüntüler için de sınıflandırma sonuçları hesaplanmıştır. Orijinal görüntüler, YİD ve LE görüntülerinin çeşitli kombinasyonlarda birleştirilmesiyle elde edilen görüntüler için sınıflandırma işlemleri tekrarlanmıştır. Uygulamada sınıflandırıcı olarak transfer öğrenme 2B ESA ve Üç Boyutlu (3B) ESA mimarilerinden yararlanılmıştır. Uygulamada transfer öğrenme 2B ESA mimarisi olarak MobileNetV2, ResNet-101 ve GoogleNet mimarileri kullanılmıştır. 3B ESA için ise uygulama kapsamında 24 katmanlı bir mimari tasarlanmış ve kullanılmıştır. Uygulamanın eğitim ve test işlemleri beş kat çapraz doğrulama ile gerçekleştirilmiştir. Uygulama sonuçları 3B ESA mimarisinin transfer öğrenme 2B ESA mimarilerine göre daha yavaş ancak daha başarılı olduğunu göstermektedir. Ayrıca, özellik görüntülerinin orijinal görüntülerle birlikte kullanılmasının sonuçlara önemli katkılar sağladığına işaret etmektedir. Tez çalışmasının yedinci uygulamasında X-ray görüntüleri üzerinden COVID-19 zatürresi, sağlıklı ve diğer zatürre ile COVID-19 zatürresi, sağlıklı, bakteriyel zatürre ve viral zatürre olmak üzere toplam iki başlıkta sırasıyla üç sınıflı ve dört sınıflı otomatik sınıflandırma gerçekleştirilmiştir. Uygulamada sınıflandırıcı olarak transfer öğrenme 2B ESA kullanılmıştır. Bu kapsamda MobileNetV2, ResNet-101, GoogleNet, Xception, DenseNet-201, EfficientNetB0 ve InceptionV3 olmak üzere toplam yedi adet transfer öğrenme 2B ESA mimarisinden yararlanılmıştır. Uygulamada doğrudan orijinal X-ray görüntüleri kullanılarak sınıflandırma sonuçları elde edilmiş olup ön işlem olarak YİD ve LE uygulanarak elde edilen özellik görüntüleri kullanılarak da sınıflandırma işlemleri gerçekleştirilmiştir. Ayrıca, VAH yaklaşımı kullanılarak daha önce elde edilen sonuçlar birleştirilmiş ve yeni sınıflandırma sonuçları elde edilmiştir. Uygulamada eğitim ve test işlemleri dört kat çapraz doğrulama kullanılarak yapılmıştır. Yedinci uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir.
İtki vektör kontrol sistemlerinde lüle konumunun görüntü işleme yöntemleriyle doğrulanması
İtki vektör kontrol (İVK) sistemi, araçların itki yönünü değiştiren bir kontrol sistemidir. Füze yönlendirmesindeki geleneksel metotlar, aerodinamik yüzeyleri kullandıkları için atmosfer dışı uygulamalarda kullanılamazlar ve bu yüzden İVK sistemlerine ihtiyaç duyulur. İVK sistemleri genellikle iki lineer eyleyici ile lüle hareketini sağlar. Eyleyici sensörleri ile lülenin kaç derece hareket ettiği bulunur. Ancak bu hareketi ölçebilmek için bir referans noktasına ihtiyaç vardır. Bu referans noktasının bulunması, pahalı mekanik parçalar ve sensörler gerektirmektedir. Ayrıca ilk konum belirlendikten sonra lüle pozisyon sensörlerinin doğrulanması gerekmektedir. Tez çalışmasında, söz konusu ihtiyaçlar göz önünde bulundurularak bir sistem önerilmiştir. Bu sistemde, stereo görüşe sahip Zed kamera ile derinlik tahmini yapılarak lülenin mutlak açısı ölçülür. Derinlik tahmini için kamera kalibrasyonunun yanı sıra görüntü düzleştirme ve basit üçgenleme yöntemleri kullanılmıştır. Hassas derinlik ölçümü için Aruco işaretleyicileri tercih edilmiştir. İVK sistemi ölçümünde mesafenin artmasıyla azalan çözünürlük, süper çözünürlük yöntemleri ile artırılmıştır. Artan çözünürlükteki oluşan bozulmalar ise adaptif eşik değeri ile düzeltilerek hassas bir şekilde derinlik hesabı yapılmıştır. Test sonuçlarına göre 700 mm'ye kadar olan mesafelerden alınan ölçümlerdeki derinlik hatalarının 1 mm'nin altında, standart sapma değerlerinin ise 0.1 mm altında olduğu görülmüştür. İVK sistemindeki düzlemler hassas derinlik ölçümleri yapılarak, en küçük kareler yöntemi ile elde edilmiştir. Düzlemler arasındaki açı, trigonometrik formüller yardımıyla hesaplanmıştır. Bulunan lüle açısı, eyleyici eksenlerine (sapma ve yunuslama) ayrılmıştır ve bu açılar eyleyici sensörlerinden alınan veriler ile karşılaştırıldığında maksimum hatanın 0.1642° olduğu bulunmuştur. Tez çalışması sonucunda gerçekleştirilen ve benzerlerine göre oldukça düşük bir maliyete sahip olan bu uygulamanın doğrulama testlerinde kullanılması ve bulunan referans noktasına göre mutlak lüle konumu belirlenmesi halinde işlem zamanının ve iş gücünün azaltılabileceği öngörülmektedir.
Yapay zeka tabanlı katlanır bomlu vinç güvenlik asistanı
Günümüzde kaldırma yükleme makineleri, üretim ve lojistik ağının omurgasını oluşturmaktadır. Kaldırma ve yükleme makinelerinin yakın çevresi tehlikeli bölge olarak nitelendirilen, iş kazası risklerinin yüksek olduğu yerlerdir. Operatörlük kurslarında yapılan araştırmalarda iş makinesi operatörlerinin %15'i asgari lise mezunu iken, %75'inin ilk okul mezunu olduğu tespit edilmiştir. Türkiyede yıllık ortalama 1153 ölümlü iş kazası olmaktadır. Bu kazaların %26'sı inşaat sektöründe yaşanmaktadır. Kaldırma yükleme makinelerinin kapasitesinin doğru kullanımı kaza oranlarının düşürülmesi için önem arz etmektedir. Kazaların önlenmesi için makineler üzerinde, operatör kullanımı limitleyen, sadece güvenli hareketlere izin veren, elektronik kontrol sistemleri kullanılmaktadır. Moment kontrol adı verilen bu güvenlik sistemleri, yükün güvenli bir şekilde kaldırılıp uzağa taşınmasını sağlamaktadır. Bu çalışmada, geleneksel moment kontrol sistemlerindeki çözümlerden farklı olarak, yapay zeka tabanlı yük limitleme sistemi önerilmiştir. Çalışma için araç üstü tek katlanır bomlu, 35 tonluk mobil hidrolik vinç üzerine, eğim, basınç, uzunluk sensörleri yerleştirilmiştir. Daha sonra vinç ile 6 farklı test yükünün kaldırılması, indirilmesi, uzatılması ve geri çekilmesi esnasında oluşan anlık değerler kaydedilmiştir. Toplamda 30779 veri, 50ms periyotlarla, 2 aylık çalışma ile toplanmıştır. Dijital ortama aktarılan saha verileri, test ağırlıklarının kaldırılması ve uzatılması üzerine iki ayrı veri seti olarak gruplanmıştır. Veri setlerinde, kayıt sıklığı yüzünden tekrar eden veriler ve test operatöründen kaynaklanan sarsıntı verileri filtrelenmiştir. Her iki veri setinde de basınç ve yük tahmini için farklı giriş parametrelerine sahip, 4 adet uygulama modeli oluşturulmuştur. Normalize edilen veri setleri ile Çoklu Doğrusal Regresyon, K-En Yakın Komşu, Yapay Sinir Ağları, Yinelenen Durum Ağı yapıları eğitilmiş ve test edilmiştir. Mobil vince ait veri seti kullanılarak, yapay zeka modelleri ile anlık yük ve basınç tahmini gerçekleştirilmiştir. Yinelenen Durum Ağı ile önceki çalışma verileri öğretilerek, gelecek çalışma verileri tahmin edilmiştir. Elde edilen sonuçlar moment kontrol algoritmasına eklemiş ve makine güvenlik sistemi daha stabil hale getirilmiştir. Sayısal ortamda elde edilen sonuçların uygulaması için bilgisayar ortamında eğitilen modellerin test edilebileceği gömülü devre tasarımı yapılmıştır. Tasarlanan devre de 4 farklı yaklaşımla Yapay Sinir Ağı Modeli çalıştırılmış ve başarılı sonuçlar elde edilmiştir. Tek ara katmana sahip 30 iterasyon ile çalıştırılan YSA modelinden, %98,3 doğrulukla tahmin yapılmıştır.
Derin öğrenme yöntemleri kullanılarak CT görüntüleri üzerinden damar segmentasyonu
Aort, insan vücudundaki en önemli arter damardır ve kanın kalpten diğer tüm organlara taşınmasından sorumludur. Aortta görülen hastalıklardan damar kireçlenmesi, damar diseksiyon ve abdominal aort anevrizması hastalığı erken teşhis edilememesi halinde sonu ölümle sonuçlanabilmektedir. Günümüzde hekimler hastaların aort yapısını inceleyebilmesi için bilgisayarlı tomografi ve manyetik rezonans görüntüleme tekniklerini kullanmaktadır. Bu görüntüleme teknikleri aortun analizi, deforme olmuş bölgenin tespiti, ameliyat öncesi planlama ve ameliyat sonrası periyodik takibi için gereklidir. Tıbbi görüntüleme uygulamalarında bilgisayarlı tomografi görüntülerinde yer alan aort yapısının analizinde görüntü işleme teknikleri kullanılmaktadır. Bu teknikler ile üç boyutlu aort yapısının segmentasyonu bir hayli zordur. Son yıllarda derin öğrenme yöntemleri kullanılarak geleneksel yöntemlerle yapılan segmentasyon sorunlarının önüne geçilmektedir. Tez çalışmasında kontrastlı aort yapısının derin öğrenme yöntemleri kullanılarak segmentasyonu işlemi gerçekleştirilmiştir. Çalışmada ilk olarak iki boyutlu görüntü ve maskeler 256x256 olarak yeniden boyutlandırılmıştır. Ön işlemede görüntüler üzerinde pencere seviyesi ve normalizasyon işlemleri uygulanmıştır. Üç boyutlu bilgisayarlı tomografi görüntüleri ile U-Net, Attention U-Net, Inception U-Netv2 ve LinkNet modelleri eğitilmiştir. Eğitim sonucunda iki boyutlu maske çıktıları kesitlerin birleştirilmesi ile üç boyutlu hale getirilmiştir. Eğitim sonrasında elde edilen çıktılara küçük objelerin temizlemesi ve girdi görüntüsünün piksel aralığının ile merkez koordinat bilgilerinin maske taramasına aktarılarak üç boyutlu olarak görselleştirilmesi gerçekleştirilmiştir. Çalışma sonucunda DONGYANG veri setinde en yüksek başarı sonuçları Inception U-NEtv2 modelinde % 93.5 dice benzerlik katsayısı, % 87.8 Jaccard, % 92.8 özgüllük, %100 duyarlılık ve KıTS veri setinde ise en yüksek başarı Inception Unetv2 modelinde % 86.58 dice benzerlik katsayısı, % 79.78 Jaccard, % 83.18 özgüllük ve %100 duyarlılık değerleri elde edilmiştir.
Derin öğrenme yöntemlerikullanarak kalça displazisinin belirlenmesi
Gelişimsel kalça displazisi (GKD), doğum öncesi, doğum sırası ya da doğum sonrası çeşitli nedenlere bağlı olarak kalça ekleminin normal gelişememesi sonucu oluşan bir hastalıktır. Ülkemizde yapılan araştırmalarda, dislokasyon oranlarının 5-15:1000 gibi yüksek olduğunu görülmüştür. Gelişimsel kalça displazisinin (GKD) tespit etmek için kullanılan en önemli yöntem ise kalça ultrasonografisidir (US). Kalça US görüntüsünün elde edilme aşaması operatöre ve dış etkilere bağlı olduğu için değişkenlik göstermektedir. Bu değişkenlikte yanlış sınıflandırmalara yol açabilmektedir. Gerçekleştirilen tez çalışması ile bu değişkenliği ortadan kaldırmak ve hataları en aza indirmek için yapay zekâ tabanlı bir sistem geliştirilmiştir. Geliştirilen sistem 2 aşamalı bir derin öğrenme modelini kapsamaktadır. İlk aşamada U-NET mimarisi ikinci aşamada da Maske ile bölge tabanlı evrişimsel sinir ağı mimarisi kullanılmaktadır. İlk olarak kalça US görüntüsü doğru alınıp alınmadığı yani analiz edilebilirliği kontrol edilmektedir. Belirlenmesi gereken 3 temel anatomik yapının (iskium, ilium, labrum) tespit edilip edilmediği kontrol edilir. Daha sonra iliak kemiğin temel çizgiye paralelliği kontrol edilmektedir. Eğer ilium temel çizgiye paralelse ve tüm anatomik yapılar tespit edilmişse, US görüntüsü analiz edilebilir olarak sınıflandırılmaktadır. Analiz edilebilir olarak sınıflandırılan bu US görüntüsü üzerinde alfa ve beta açıları hesaplanarak gelişimsel kalça displazisi sınıflandırılmaktadır. Tez çalışmasında geliştirilen sistemin, gelişimsel kalça displazisi tanısında operatörler arası değişkenliği ortadan kaldırarak, yapılacak teşhisin doğruluğunu arttıracağı ve böylelikle uzmanlara yardımcı olacağı düşünülmektedir