Neural network training method for classifications of diabetic retinopathy image data on matlab
Is this your thesis?
This record came from a bulk archive import. If it’s yours, link it to your profile.
Abstract (TR)
DR fundus resimlerinde sert eksudaları tanımlayabilen bir yöntem geliştirmek için bu araştırmada derin öğrenme kullanıldı. Diyabetik retinopatisi olan hastaların sert eksudalar ile diğer hastalık semptomlarını ayırt edebilmeleri gerekir. Bu yenilikçi teknik, sert eksüdaları zamanın %99,7'sinde doğru bir şekilde tanımlar. Gelecekte tespit, yumuşak eksüdalara ek olarak kan akışını ve mikroanevrizmaları da içerecektir. Buna ek olarak, bölümlere ayrılmış resimlerden yararlanarak DR'yi ölçmemiz gerekiyor. Model kesinliğini artıran iki yaklaşım vardır. Ardından, resim yamasının boyutlarını değiştirin. Yapabileceğimiz bir sonraki şey, resim yamalarının tahminin doğruluğundaki rolünü araştırmak. Her satır ve sütundaki ilk ve son 16 öngörülemeyen piksel üzerinde bir analiz gerçekleştiren ikinci teknikte evrişimli sinir ağları kullanılır.
Author
Ahmed Afeef Ameen Salıh
Institution
How to Cite
Ahmed Afeef Ameen Salıh (Yüksek Lisans Tezi). Neural network training method for classifications of diabetic retinopathy image data on matlab, 2023, Altınbaş University.
Keywords
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from Altınbaş University
- Samuel P. Huntington'ın Medeniyetler Çatışması' ve Immanuel Wallerstein'ın Dünya Sistemleri Analizi'nin karşılaştırılması(2024)
- Olumsuz çocukluk deneyimlerinin ebeveyn tutumları üzerindeki etkisinde öz yeterliğin moderatör etkisi(2025)
- The conscious impact of fractal dimension in hospital architecture: Enhancing warmth and comfort(2024)
- Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı(2025)
- Synthesis and evaluation of nano particles for anticancer application(2025)
- An optimized malware detection technique using subspace learning- based one-class classification(2023)
