Görüntü sınıflandırma
61 theses under this subject heading
Beyin görüntüleme tekniklerinin alzheımer hastalığı erken tanı tahmininde kullanılması
Demans tipine göre hastaların beyinleri karakteristik farklılıklar gösterir. Beyin korteks kalınlığı, bazı bölgelerin hacmi veya yüzey alanı gibi ölçülendirmeleri, hastalık tiplerinin belirlenmesinde etkilidir. Tıbbi görüntüleme standartlarına uygun beyin görüntüleri manyetik rezonans görüntüleme cihazlarından elde edilebilir. Görüntülerin başlık kısmı, hastalara, hastalıklara, ayrıca görüntüleme çalışmalarına olmak üzere farklı tür birçok teknik olan veya olmayan bilgi barındırır. Beyin görsel dosyaları ve başlıkları üzerinden görüntü işleme tekniklerinin de yardımı ile hasta beyinlerinin fiziksel özellikleri sayısal olarak çıkarılabilir. Elde edilen sayısal verinin sınıflandırma algoritmaları içerisinde düzlemde vektörler şeklinde ifade edilmesi sonrasında numuneler sınıflandırılabilir. Bu çalışmada, 19 adet Alzheimer hastalığı, 19 adet frontotemporal demans ve 25 adet vasküler demans olmak üzere üç farklı hastalıktaki 63 numunenin manyetik rezonans görüntüleri kullanılmaktadır. Dilimlenmiş beyin görüntü setleri Freesurfer beyin analiz yazılım aracı ile birlikte işlenmektedir. Programın başarılı analizi sonrasında üretilen istatistik bilgileri içerisinden farklı öznitelik grupları oluşturulmaktadır. Öznitelik matrisleri, sarmalama yaklaşımlı öznitelik seçim yöntemi uygulanacak şekilde genetik algoritmaya gönderilmektedir. Bulunan değerli öznitelikler, hastalığı belirlemede etkili olan uzuvlar, tartışılmaktadır. Farklı sınıflandırma yaklaşımları ve genetik algoritma parametreleri uygulanarak %95.2'yi gören doğruluk sonuçları ve hata matrisleri elde edilmektedir.
Medikal görüntülerde makine öğrenimiyle sağ kalım analizi
Belirli bir olay meydana gelene kadar geçen süreyi inceleyen sağ kalım analizi mühendislik ve sosyal bilimler gibi birçok alanda yaygın olarak kullanılsa da özellikle hastalık prognozu, tedavi etkinliği ve risk faktörlerinin belirlenmesinde önemlidir. Bu tez çalışmasında sağ kalım analizinin temel kavramları, analizde yaygın olarak kullanılan yöntemlerin taksonomisi ve kullanılan araçlar detaylı bir şekilde ele alınmıştır. 2020-2024 yılları arasında yapay zekâ teknikleri kullanılarak akciğer kanseri genel sağ kalımı üzerine yapılan çalışmalar sistematik bir şekilde incelenerek sağ kalım analizi konusunda çalışacak araştırmacıların araştırma süreçlerini desteklemek amacıyla özel olarak tasarlanmış bir GPT aracı sunulmuştur. Bunun yanında, hastada tümör içeren dilim sayısının hesaba katıldığı ve sağ kalım sınıflandırma başarısına katkısı gösterilen GTV1-SliceNum adı verilen yeni bir öznitelik önerilmiştir. Ayrıca, yanlış negatifleri ve yanlış pozitifleri cezalandıran ve sınıflandırma performansı üzerindeki etkisi halka açık kanser veri tabanları kullanılarak doğrulanan yeni bir kayıp fonksiyonu olan PEN-BCE geliştirilmiştir. Son olarak, farklı veri türleri üzerinde sağ kalım analizi problemi çeşitli yaklaşımlarla ele alınmış ve ablasyon çalışmalarıyla performans değerlendirmeleri kapsamlı bir şekilde analiz edilmiştir. Deneysel sonuçlar, önerilen GTV1-SliceNum özniteliği ve PEN-BCE kayıp fonksiyonunun, mevcut yöntemlere kıyasla anlamlı performans artışları sağladığını göstermiştir. Bu çalışma, sağ kalım analizi problemlerinde hem teorik hem de pratik açıdan yenilikçi bir katkı sunmakta ve tıbbi karar destek sistemleriyle bütünleştirilebilecek potansiyel yaklaşımlar önermektedir.
Derin öğrenme ile öznitelik çıkarma ve sınıflandırma uygulaması
Botanik ve tarımda, yaprakların sınıflandırılması biyoçeşitlilik, ekolojik çalışmalar ve bitki türlerinin tanımlanması üzerine yapılan çalışmalar için hayati bilgiler sağlayan kritik bir süreçtir. Hazır veri setleri, çeşitli bitki türlerinden kapsamlı bir yaprak görüntüsü koleksiyonu sunarak gelişmiş sınıflandırma algoritmalarının geliştirilmesini ve değerlendirilmesini sağlamaktadır. Bu çalışma, öznitelik çıkarma ve sınıflandırma aşamalarıdan yaprak görüntülerini sınıflandırmak için sağlam bir metodoloji sunmaktadır. Oluşturulan veri seti her sınıftan 1000 er adet olmak üzere toplam 15000 görüntüye sahiptir. Öznitelikler, önceden eğitilmiş sinir ağları ileri çıkarılmaktadır. Ön işleme yöntemleri kullanılmamıştır. Bazı teknikleri sistematik olarak entegre ederek boyutluluğu azaltmayı, alakasız veya gereksiz öznitelikleri ortadan kaldırmayı ve veri kalitesini iyileştirme amaçlanmaktadır. Öznitelikle büyük veri kümeleri ve çok sayıda sınıf söz konusu olduğunda sınıflandırmada doğruluğu artırmak, veri ön işleme, model seçimi, düzenleme teknikleri ve ince ayarın bir kombinasyonunu içermek zorundadır. Düşük profilli veri seti olduğundan bu çalışmada buna gerek duyulmamıştır. Veri seti ileriki çalışmalarda daha büyük sıkalaya yükseltildiğinde özniteliklerin daha sağlam olması çaısından bazı önişleme yöntemlerini kullanmak zorun olacaktır. Sonuçlar, 15 sınıflı veri seti için 2 modelin öznitelik çıkarmada kullanıldığı çalışmada eğitim oranı %40 ların üzerine çıktığında her model için sınıflandırma başarımının %90'ın üzerine çıktığını göstermektedir.
Multimodal classifier for disaster response
Nowadays, social media data can be used to make a huge difference in making correct decisions in time-critical situations, such as the event of natural disasters. Social media content consists of messages, images, and videos. In some cases, understanding the damage caused by natural disasters only from text is not enough in terms of analysis, the effect of disaster is better understood using visual data. Text datasets from social media platforms are widely used by researchers, and a limited number of studies have focused on the use of other content such as images. This is due to the fact that the number of tagged image datasets related to disasters is very limited. Therefore, in this thesis, we aim to address this limitation by presenting a multimodal Turkish text and images dataset. Multimodal classification studies were carried out with the late fusion technique. Also, to achieve multimodal classification; a pre-trained LSTM model is used for classifying the text while a pre-trained CNN model is used for the visual content. Overall, concatenating both inputs in a multimodal learning architecture achieved an accuracy of 91.87%.
A Deep Learning Approach for Categorizing Breast Carcinoma Histopathology Images
The prominence of breast cancer (BCa) as the most prevalent type of cancer worldwide, especially among women, underscores the critical importance of its early diagnosis. However, the insufficient number of experienced physicians in the field of pathology and the intense work of existing experts make digital pathology a more important need day by day. In this context, in this thesis study, a deep learning approach is proposed for the systematic categorization of histopathology images of breast cancer patients. The images utilized in the study were obtained from ICIAR 2018, and a region-based convolutional neural network (R-CNN) integrated with ResNet-18 was employed as the method. Customizations were implemented in the image augmentation, patch size determination, and training parameters adjustment stages, and for the effective operation of the proposed model, color distribution variances in the images were reduced and the transfer learning technique was applied. The network achieved an accuracy rate of 93.75% in categorizing the training dataset into four groups at the patch level and 97.06% in classifying it into two groups. When the effectiveness of the method was tested on a blind test set, it achieved accuracy rates of 73.44% for quadruple grouping at the patch level and 87.24% for binary grouping. Image-based categorization yielded accuracy rates of 69.79% for four groups and 86.46% for two groups. These results indicate that the proposed model can compete with studies incorporating the latest technologies in the literature and can be utilized as an assistive tool for pathologists during the diagnosis process.
Gelecek nesil haberleşme sistemlerinde yapay zeka tabanlı modülasyon tanımlama yöntemi geliştirilmesi
Derin öğrenme (deep learning, DL) ve makine öğrenimi (machine learning, ML) tekniklerinin gelecek nesil haberleşme sistemlerinde otomatik modülasyon tanımlama (automatic modulation recognition, AMR) için kullanılması oldukça önemlidir. Gelecek nesil haberleşme teknolojilerinde yapay zeka (artificial intelligence, AI) oldukça önemli bir yer tutacaktır. Yapay zekanın ön plana çıkmasıyla beraber bilişsel radyo (cognitive radio, CR) gibi sistemler daha etkili çalışma fırsatı bulacaktır. Bu tez çeşitli evrişimli sinir ağı (convolutional neural network, CNN) tabanlı modelin etkinliğini modülasyon türlerinin sınıflandırılması kapsamında farklı sistem modelleri ve sinyal-gürültü oranları (signal-to-noise ratio, SNR) için incelemektedir. Çeşitli formattaki sayılar ya da görüntüler ile IQ ve rθ diyagram düzlemlerinde üretilen veri setleri sınıflandırma modellerini beslemektedir. Böylelikle sınıflandırma modellerinin beslendiği veri setleri içeriğinin performansa etkisi gözlenmiştir. Ayrıca klasik modülasyon türlerinin yanına çeşitli indis modülasyonu (index modulation, IM) tekniği de eklenerek sınıflandırma problemi kapsamında literatüre yenilikçi katkılar sağlanmaktadır. Kullanılan klasik modülasyon tekniklerinin arasında faz kaydırmalı anahtarlama (phase shift keying, PSK) modülasyon ailesinden ikili PSK (binary PSK, BPSK), dördün PSK (quadrature PSK, QPSK), 8PSK, 16PSK, 32PSK ve 64PSK bulunurken karesel genlik modülasyonu (quadrature amplitude modulation, QAM) ailesinden QAM16, QAM64 ve QAM256 bulunmaktadır. Sınıflandırılan IM teknikleri de uzaysal modülasyon (spatial modulation, SM), dik SM (quadrature SM, QSM) ve genelleştirilmiş SM (generalized SM, GSM)'dir. rθ diyagram düzleminde üretilen veri setinden yararlanarak hiperparametre optimizasyonu, öğrenme aktarımı ve toplamsal beyaz Gauss gürültüsünün (additive white Gaussian noise, AWGN) etkileri araştırılmıştır. Gürültünün etkileri çeşitli çalışmalar ile düşük, orta ve yüksek SNR değerleri seçilerek ya da bu SNR bölgelerini kapsayan bir dizi SNR değeri için incelenmiştir. Temel bulgular bazı modellerin performansının diğerlerine göre üstün olduğunu, CNN tabanlı modellerin yüksek dereceli modülasyon türlerinin ayırt edilmesinde etkili olduğunu ve özellikle düşük SNR durumlarında IQ diyagram düzleminden rθ diyagram düzlemine geçişle beraber sınıflandırma doğruluğunun yükseldiğini göstermiştir. Sonuçlar uygun bir şekilde optimize edildiği zaman DL tekniklerinin modülasyon tanımlama görevleri için geleneksel yaklaşımlara göre daha iyi performans sergilediğini göstermektedir ve dolayısıyla dinamik ve otonom haberleşme sistemleri için potansiyele sahip olduğunu kanıtlamaktadır. Son olarak modülasyon sınıflandırma problemi farklı bir bakış açısı ile bilgi hiyerarşisi özelinde değerlendirilerek veri analitiğine bu problem için yeni bir açı kazandırılmıştır.
Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi
Son zamanların en popüler makine öğrenmesi yöntemlerinden biri olan derin öğrenme; görüntü işleme, ses tanıma, sinyal işleme vb. birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme yöntemleri; insansız hava araçları, robotik, akıllı telefon ve sağlık gibi alanlarda etkili bir şekilde kullanılmaktadır. Özel tarayıcıların geliştirilmesi ve biyopsi işleminin sayısallaştırılması ile bilgisayar destekli teşhis oldukça popüler bir araştırma alanı haline gelmiştir. Bilgisayar ortamında depolanan sağlık verileri gün geçtikçe artmaya devam etmektedir. Bu artan veri miktarına bağlı olarak makine öğrenme yöntemlerinin performansları dikkat çekici bir şekilde iyileştirilmiştir. Derin öğrenme yöntemleri, sayısallaştırılmış görüntüler aracılığıyla uzman kişilerin tanı ve teşhisinde kolaylık sağladığı gibi kanser gibi kritik bir rahatsızlığın otomatik tanısı ve teşhisi için umut olmuştur. Meme kanseri, toplumda en yaygın görünen kanser türlerinden birisidir. Meme kanserinin erken teşhisi hastanın tam tedavi edilebilmesindeki başarı oranını önemli ölçüde artırmaktadır. Meme kanserinin tanı ve teşhisinde histopatolojik görüntüler önemli bir yer almaktadır. Bu tez çalışması kapsamında, meme kanseri histopatolojik görüntülerinin analizi için birtakım yenilikçi derin öğrenme yöntemleri geliştirilmiştir. Tez çalışmasında birden fazla açık erişimli kanser veri seti incelenmiştir. Bu veri setlerinin analizinde kullanılacak çeşitli programlama paketleri oluşturulmuş ve veri setlerinin düzenlenmesi için özel teknikler geliştirilmiştir. Histopatolojik görüntülerin analizlerinin yapılması amacıyla, farklı derin öğrenme modellerinin oluşturulması aşamaları etraflıca ele alınmıştır. Geliştirilen bu modeller için farklı parametreler ve yöntemler denenerek en iyi çözüm elde edilmeye çalışılmıştır. Ön eğitimli bazı popüler derin modellerin, histopatolojik görüntülerin sınıflandırılması ve bölütlenmesi problemindeki performansları değerlendirilmiştir. Bunların yanı sıra, yüksek boyutlara ulaşan sayısal görüntü boyutunun azaltılması ve bu görüntülere ait çok daha düşük boyutlu temsillerin elde edilmesi için yeni bir derin öğrenme modeli sunulmuştur. Böylece sağlık alanındaki yüksek boyutlu sayısal görüntülerin uzak birimlere kolayca aktarılmasına yardımcı olacak yeni bir model sunulmuştur. Ayrıca bu yöntemler sayesinde uzman seviyesinde histopatolojik görüntülerin sınıflandırılması, işaretlenmesi sağlanmıştır.
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.
Derin sinir ağları ile çekirdek hücrelerinin tespiti ve segmentasyonu
Derin öğrenme, birden çok işleme katmanından oluşan hesaplama modellerinin, birden çok soyutlama düzeyi ile verilerin temsillerini öğrenmesine olanak tanır. Bu yöntemler, konuşma tanıma, görsel nesne tanıma, nesne algılama ve ilaç keşfi ve genomik gibi diğer birçok alanda en son teknolojiyi önemli ölçüde geliştirmiştir. En popüler derin sinir ağlarından biri evrişimsel sinir ağlarıdır. Son yıllarda, evrişim sinir ağlarına dayalı anlamsal segmentasyon, geleneksel görüntü segmentasyona göre önemli avantajlar göstermiş ve birçok görsel göreve başarıyla uygulanmıştır. Anlamsal segmentasyon, görüntüdeki her piksele bir etiket atama işlemidir. Bu işlem, tüm resme tek bir etiketin atandığı sınıflandırmanın tam tersidir. Anlamsal segmentasyon, aynı sınıftaki birden çok nesneyi tek bir varlık olarak ele alır. Bu tezde, çekirdek görüntü bölütleme ve tespiti için anlamsal segmentasyon yöntemi kullanılmıştır. Evrişimsel sinir ağlarına dayalı anlamsal segmentasyon, çekirdek görüntü bölütleme ve algılama için olağanüstü performans göstermiştir. Yöntemi test etmek için PSB 2015 kitle kaynaklı çekirdek veri setinden halka açık meme kanseri görüntüleri ve Kaggle 2018 Data Science Bowl veri seti kullanılmıştır. Doğruluk değerlendirmesi için gerçek negatif, gerçek pozitif, yanlış pozitif ve yanlış negatif hesaplayan karşılıklık matrisi kullanılmıştır. Ayrıca; Duyarlılık, Özgüllük, Jaccard Index, Dice, Kesinlik, Geri Çağırma ve F1 Puanı performans ölçekleri de kullanılmıştır. Yapılan deneyler sonucunda; PSB 2015 veri seti için; Duyarlılık, Özgüllük, Doğruluk, Jaccard, Dice, Kesinlik ve F1 Puanı için sırasıyla şu şekilde ortalama değerler elde edilmiştir: 0,9269; 0,7160; 0,851; 0,4855; 0,6434; 0,844 ve 0,6434. 2018 Data Science Bowl veri seti için çıktı sonuçları kesin referans görüntüleriyle karşılaştırılmış, buna göre Duyarlılık, Özgüllük, Doğruluk, Jaccard, Dice, Kesinlik ve F1 Puanı için sırasıyla şu şekilde ortalama değerler elde edilmiştir: 0,8719; 0,9881; 0,9768; 0,7715; 0,8632; 0,8843 ve 0,8632 değerleri elde edilmiştir. Sonuç olarak, literatürde önerilen diğer yöntemlere göre yüksek performansa sahip olduğu gösterilmiştir.
Mamografi görüntülerinin değerlendirilmesinde kullanılan yeni bir karar destek sistemi tasarımı
Meme kanseri, kadınlarda kansere bağlı ölümlerde ilk sırada yer almaktadır. Dünya genelinde kadınların yakalandığı kanser hastalıklarının yaklaşık %24,5'ini, ülkemizde ise %23,9'unu meme kanseri oluşturmaktadır. Hastalığın erken teşhisi, tedavi için en hayati adımdır. Mamografi cihazı ile elde edilen radyografik görüntüler, meme kanserinin erken teşhisinde en sık kullanılan yöntemlerden biridir. Fakat çekimlerde kullanılan teknoloji, radyoloğun tecrübesi, yoğunluk, meme yapısı, çekim esnasındaki hatalar gibi birçok nedenden kaynaklı teşhisle ilgili yanlış değerlendirmeler yapılabilmektedir. Böyle durumlarda teşhisle ilgili çelişkiye düşülmekte, ikinci bir uzman görüşüne ihtiyaç duyulmaktadır. Günümüzde mamografi görüntüleri ile daha doğru karar vermeye yardımcı olacak Bilgisayarlı Karar Destek Sistemi (BKDS) üzerinde birçok çalışma yapılmaktadır. Bu çalışmada da meme kanserinin tanısı ve teşhisinde radyoloji uzmanına ikinci bir görüş sunarak yardımcı olabilecek bir BKDS geliştirilmiştir. Son kararın radyoloji uzmanı tarafından verileceği bu sistem ile insan kaynaklı hata oranın azaltılması amaçlanmaktadır. Günümüzde görüntü işleme çalışmalarında özellikle geleneksel yöntemlerden uzaklaşılarak derin mimarilerde çalışmaların yoğunlaştığı görülmektedir. Derin öğrenme yöntemleri özellikle görüntü sınıflandırma problemlerinde iyi sonuçlar verse de, genellikle kullandıkları Evrişimsel Sinir Ağları (ESA) eğitim için çok sayıda etiketlenmiş veriye ihtiyaç duymaktadır. Doğru şekilde etiketlenmiş veriye ulaşımdaki kısıtlılık bu tür çalışmaları zorlaştırmaktadır. Bu sebeple daha önce bu alanda yapılan çalışmaların büyük çoğunluğu oldukça az sayıda mamografi görüntüsü ile yapılmıştır. Bu çalışmada kullanılan mamografi görüntüleri FSSH, INBREAST, DDSM ve MIAS olmak üzere 4 farklı kaynaktan alınmıştır. Çalışmanın ilk aşamasında görüntüler morfolojik görüntü işleme yöntemleri ile ön işlemden geçirilerek istenmeyen verilerden arındırılmıştır. Meme dokusuna ait alanlardan 224x224 ve 227x227 piksel boyutlarında kesitler kırpılarak 3 farklı sınıf (kist, kalsifikasyon ve normal) oluşturulmuştur. Her sınıfta 1000 adet, toplamda 3000 adet kesit ile 3 farklı sinir ağı modeli eğitilmiştir. Küçük kesitlere ayrılarak nispeten daha basit hale getirilen görüntüler ile eğitilen AlexNet modelinde %95,55, GoogLeNet modelinde %96, tez çalışması kapsamında geliştirilen MKESAS modelinde %98,71 doğruluk oranına ulaşılmıştır. Anahtar Kelimeler: Meme kanseri, evrişimsel sinir ağları, biyomedikal görüntü işleme, görüntü sınıflandırma
Akciğer kanserinin makine öğrenme teknikleri ile analizi
Bu çalışmada, akciğer tomografisi, akciğer hücresi histopatolojisi ve ışık mikroskobundan alınan görüntüler ile daha iyi akciğer kanseri teşhisi hedeflenmiştir. Ayrıca elde edilen görüntüler iyi ve kötü huylu olmak üzere iki tip görüntü kullanılmıştır. Bu iki çeşit görüntülere ait optimum özellikler elde edebilmek için çeşitli boyut azaltma yöntemleri kullanılmıştır. Bu yöntemler Temel Bileşenler Analizi (TBA), Genelleştirilmiş Diskriminant Analizi (GDA), Doğrusal Diskriminant Analizi (DDA), Yerel Doğrusal Gömme (YDG), Klasik Çok Boyutlu Ölçekleme (KÇBÖ), Komşuluk Koruyan Gömme (KKG), Stokastik Yakınlık Gömme (SYG) yöntemleridir. Sınıflandırıcı olarak ise Naive Bayes (NB), Rastgele Orman (RO), Karar Ağaç (KA) yöntemleri kullanılmıştır. Ayrıca bu sınıflandırıcı yöntemlerinin her birine Maksimum Durağan Ekstrem Bölgeler (MDEB), Hızlandırılmış Sağlam Özellikler (HSÖ), Yönlendirilmiş Gradyanlar Histogramı (YGH) özellikleri eklenerek doğruluk değerinin durumu incelenmiştir. Akciğer kanserinin erken ve doğru teşhisi için çeşitli yöntemler geliştirilmiştir. Bu çalışmada metodlar için toplam 240 adet görüntü kullanılmıştır. Bu görüntüler 60 adet hastadan, her biri için 4 adet kesit alınarak elde edilmiştir. Kullanılan görüntüler ile her bir sınıflandırıcının, her bir boyut azaltma yönteminin ve her bir özelliğin birbirine göre doğruluk oranının kıyaslanması yapılmıştır. Ayrıca en yüksek doğruluk oranına sahip yöntemler bulunmuştur. Kullanılan yöntemlerin bazıları ile %100 doğruluk oranına sahip sonuçlar bulunmuştur. Böylece en yüksek doğruluk oranını sağlayan yöntemler sayesinde iyi huylu ve kötü huylu tümörlerin ayrımı sağlanmıştır. Dünyada en fazla ölüm oranına sahip kanser türlerinden biri olan akciğer kanserinin erken teşhisi için doğruluk oranının yükseltilmesi de amaçlanmıştır. Böylece bilgisayar destekli tanı sistemlerine yüklenen akciğer görüntüleri bu sistemde çeşitli aşamalardan geçirilerek doğru bir sonucun elde edilmesi sağlanmıştır. Anahtar Kelimeler: Akciğer Kanseri, Makine Öğrenme, Sınıflandırma, Görüntü İşleme, Histopatoloji, Akciğer Tomografisi, Bilgisayar Destekli Tanı, Bilgisayarlı Tomografi.
Akıllı ulaşım sistemleri için karayolu tipi, kavşak ve virajların derin öğrenme yöntemleri ile belirlenmesi
Son günlerde akıllı ulaşım sistemleri alanında geliştirilen otonom araçlar ve ileri sürücü destek sistemleri için yeni fikirler ve senaryolar üretilmektedir. Otonom araçlar ya da sürücü destek sistemlerinde, karayolunda tanıma işlemi için çoğunlukla bilgisayar görü teknikleri kullanılmakta ya da lazer sinyal işleme teknikleri uygulanmaktadır. Görüntü işleme yöntemleri, lazer sinyal işleme yöntemlerine göre daha düşük maliyetli çözümler üretebilmektedir. Görüntü işleme tekniklerine ek olarak derin öğrenme yöntemleri kullanılarak nesne ve yol tipinin tespiti yapılabilir. Bu tez çalışmasında, karayolunda bulunan kavşaklar, yaya geçitleri, virajlar, yol ayrımları gibi önemli bölgelerin gerçek görüntüleri ilk defa bir tanıma problemi olarak ele alınmış, görüntü işleme ve derin öğrenme metoduyla tespit edilmiştir. Görüntü işleme aşamasında, yol görüntülerinin yapısı ve çekimine göre üst ve alt noktaları kırpılarak ilgili bölgenin tespiti için bir metot geliştirilmiş ve elde edilen görüntülerin derin öğrenme mimarisi ile tanınması sağlanmıştır. Geliştirmiş olduğumuz yöntem ve farklı tanıma algoritmaları ile görüntüler test edilmiştir. Modelimizin hem algoritmalara göre hem de literatürdeki farklı veri setleri kullanılarak geliştirilen çalışmalara göre oldukça iyi sonuçlar verdiği görülmüştür. Kamera görüntüleri kullanılarak gerçek zamanlı sistemler hazırlanabilir ve uygun maliyetli çözümler sunulabilir. Geliştirilen bu yöntemin sürücü destek sistemleri için uygulanabilir olduğu, hem araçlar hem de sürücülerin uyarılması gibi birçok alanda kullanılabilecek etkili bir yapı olduğu söylenebilir. Ayrıca bu çalışma, karayollarında bulunan trafik işaretleri ile gerçek yol durumlarının eşleşip eşleşmediği gibi tespit ve doğrulama sistemleri için de kullanılabilir.
Görerek işlem yapabilen delta robotun tasarımı ve performans karakteristiklerinin araştırılması
Bu çalışmada görerek işlem yapabilen Delta robotun tasarımının yapılması ve performans karakteristiklerinin araştırılması amaçlanmıştır. Bunun için robotun analitik modeli oluşturulmuş, bu model kullanılarak boyutları optimize edilmiştir. Sonra gerilme analizleri yapılıp istenen şartlarda çalışıp çalışamayacağı belirlenmiştir. Atalet ve yerçekimi kuvvetleri de bu modele etkiletilmiştir. Robotun görme, sınıflandırma ve kontrol yazılımları hazırlandıktan sonra sistemin imalatı yapılmıştır. Son olarak deneysel çalışmalar tamamlanmıştır. Sonuçta görerek işlem yapabilen bir sistem hazırlanmıştır.
Sığır hastalıklarının görüntü işleme yöntemleri ile tespit edilmesi
Günümüzde, veteriner alanındaki araştırmalarda görüntü işleme yöntemlerine duyulan ihtiyaç her geçen gün artmaktadır. Bu ihtiyaç, özellikle sığır hastalıklarının erken teşhisinde görüntü işleme yöntemlerine duyulan gereksinimle daha da önem kazanmaktadır. Hayvan sahibinin sığırın hastalanması durumunda veteriner hekime danışması özellikle ulaşım açısından zaman alabilmekte, hastalık, veteriner hekim tarafından teşhis yapılana kadar ilerleyebilmektedir. Bu nedenle görüntü işleme yöntemleri ile özellikle sığır türlerinin hastalıklarının erken teşhisinde öneri getirecek yazılım geliştirilmesi gerekmektedir. Bu tez çalışmasında, çeşitli sığır hastalıklarının yapay zekâ yöntemlerinden biri olan görüntü sınıflandırma yardımıyla tespit edilmesi gerçekleştirilmiştir. Bu çalışmada, Yapay zekâ modeli oluşturmadan önce görüntüler toplanıp, hastalıklar analiz edilip, veri üzerinde sınıflandırılması yapılmış ve veri kümesi oluşturulmuştur. Model performansının artması ve veri kümesindeki dengesizliğin giderilmesi için veri kümesindeki görüntüler ve işaretlenen görüntü verileri üzerinde histogram eşitleme, veri artırma ve SMOTE yöntemleri ile ön işleme işlemleri gerçekleştirilmiştir. Veri kümesi hazırlandıktan sonra sınıflandırma modeli eğitimi gerçekleştirilmiş ve performans analizleri yapılmıştır. Performans analizleri sonucunda, probleme en uygun modelin %99.94 doğruluk, %99.94 hassasiyet, %99.94 duyarlılık ve %99.99 AUC skoru ve 0.007 kayıp ile en yüksek performans veren MobileNet-V3 ile eğitilen model olduğuna karar verilmiş ve elde edilen ağırlık dosyası, hazırlanan web servise entegre edilmiştir. Daha sonra, Flutter ile mobil uygulama hazırlanmış ve hastalık tespitinin web servis üzerinden gerçekleştirilip mobil uygulamaya iletilmesi sağlanmıştır. Bu çalışmada hazırlanan mobil uygulama, sığır hastalıklarının ön teşhisinin yapılması kapsamında güncel yapay zekâ yöntemlerinin eğitilmesinden sonra elde edilen yüksek sınıflandırma performansı ile etkin kullanımını göstererek veteriner hekimlere ve sığır yetiştiricilerine yeni bir bakış açısı ve hastalık teşhisinde kolaylıklar sunmaktadır.
Spect miyokard perfüzyon görüntülemesinden koroner arter hastalığı tanısı için yeni sınıflandırma modelleri
Bu tez çalışmasının amacı, tek foton emisyon bilgisayarlı tomografi (SPECT) miyokard perfüzyon görüntülemesinden (MPG) iskemi ve enfarktüs olarak adlandırılan koroner arter hastalıklarının varlığının ve lokalizasyonunun tespiti amacıyla bilgisayar destekli sınıflandırma modelleri geliştirmektir. Derin öğrenme (DÖ) tabanlı ve kural tabanlı olmak üzere iki farklı sınıflandırma modeli önerilmiştir. İlk model, sıfırdan eğitilmiş derin sinir ağı (DNN), önceden eğitilmiş çeşitli DNN'ler ile transfer öğrenimi, bu ağlardan çıkarılan derin ve sığ öznitelikler ile destek vektör makinesi, güçlendirilmiş karar ağacı ve rastgele orman gibi çeşitli sınıflandırıcıları kullanır. İkinci model ise; uzman okuyucuların bilgisini renk eşikleme, segmentasyon, öznitelik çıkarımı ve bazı sezgisel algoritmaları içeren uygun görüntü işleme tekniklerine dönüştürmeyi amaçlamaktadır. Ayrıca, tek gün protokolüne göre istirahat/stres Tc-99m SPECT MPG için başvuran 192 hastanın görüntüleri tüm araştırmacıların kullanımına açık bir veri seti oluşturmak için toplanmıştır. Referans standart olarak iki uzman okuyucu tarafından yapılan görsel değerlendirmeler kullanılmıştır. Önerilen modellerin performansı bu referans standarda göre değerlendirilmiştir. Maksimum doğruluk, duyarlılık ve özgüllük değerleri, sırasıyla DÖ tabanlı model için %94, %88, %100, kural tabanlı model için %93, %100, %86 olarak hesaplanmıştır. Önerilen modeller uzman analizi düzeyine yakın tanı performansı sağlamaktadır. Bu nedenle, SPECT MPG'nin miyokard iskemisi ve enfarktüsü ile ilgili yorumlanması sırasında klinik karar vermede yardımcı olabilirler.
Bitki görüntülerindeki zararlı böceklerin derin öğrenme ile tanınması
Bitki zararlılarının erken dönemde, etkili bir şekilde tespit edilip kontrol altına alınmalarını sağlamak bitkilerin korunmasına, ürün veriminin artırılmasına ve tarım ekonomisindeki kayıpların azaltılmasına yardımcı olmaktadır. Bu tez çalışmasında, tarımsal üretime önemli bir tehdit oluşturan bitki zararlılarının tanımlanmasına yönelik derin öğrenme yaklaşımları önerilmektedir. Önerilen ilk yöntemde sınıflandırma, önceden eğitilmiş farklı derin sinir ağları (DNN) kullanılarak transfer öğrenme yoluyla gerçekleştirilmektedir. İkinci yöntemde ise; bu ağların derin katmanlarından çıkarılan öznitelikler ile Destek Vektör Makinesi (SVM) sınıflandırıcısından yararlanılmaktadır. Üçüncü yöntem, görüntü transformatörü olarak bilinen transformatör mimarisini kullanan bir sinir ağı modelinin kullanılmasını içerir. Son olarak, birden fazla modelden gelen tahminleri birleştirerek daha güçlü ve daha doğru tahminler elde etmeyi amaçlayan bir yaklaşım olan topluluk öğrenimi, yukarıdaki üç farklı yöntemden en iyi performans gösteren modelleri birleştirmek için kullanılmıştır. Ayrıca yeşil renk kanalı çıkarımı, veri artırımı, histogram eşitleme, derin öğrenme tabanlı segmentasyon ile arka plan eliminasyonu gibi farklı görüntü ön işleme teknikleri ayrı ayrı ve birlikte kullanılarak kapsamlı bir performans analizi yapılmıştır. Deneyler, sırasıyla 10 ve 40 zararlı türü içeren Li ve D0 veri setleri üzerinde gerçekleştirilmiştir. Li veri setinde çoğunluk oylama yöntemi kullanılan topluluk öğrenimi ile %98.35, D0 veri setinde ise %99.78 doğruluk ile en yüksek performans elde edilmiştir. Sonuçlar, önerilen modellerin bitki zararlısı kontrolünde etkin bir şekilde kullanılabileceğini göstermektedir.
MR spektroskopi verileri üzerinde beyin tümörlerinin bilgisayar destekli otomatik evrelenmesi
Beyin tümörlerinde diğer tümör çeşitlerinde olduğu gibi son yıllarda hızlı bir artış görülmektedir. Özellikle kanser olarak bilinen kötü huylu beyin tümörlerinin teşhisinde geç kalınması durumunda çok fazla sayıda hasta yaşamını kaybedebilmektedir. Bu nedenle erken ve doğru teşhis kanser tedavisinde hayati derecede önem taşımaktadır. Beyin tümörlerinin tespit aşamasında kullanılan en yaygın yöntemler Manyetik Rezonans Görüntüleme ve patolojik incelemelerdir. Biyopsi gibi patolojik invaziv yöntemler hastalık ve ölüm gibi çeşitli gibi riskleri beraberinde getirmektedir. Bu yüzden MR Görüntüleme ve MR Spektroskopi gibi invaziv olmayan yöntemler konusunda araştırma ve çalışmalar son yıllarda yaygınlaşmıştır. Bu çalışmada LSTM (Long Short Term Memory – Uzun Kısa Vadeli Hafıza) sinir ağlarını kullanarak birden fazla beyin tümörüne sahip hastadan ve sağlıklı hastalardan alınan Manyetik Rezonans Spektroskopi verilerini kullanarak farklı evrelerdeki beyin tümörlerinin sınıflandırılması gerçekleştirilmiştir. Verisetinde bulunan 179 kişiden alınan MR Spektroskopi sinyalleri üzerinde, bilgisayar destekli otomatik teşhis sistemine dayalı bir yöntem öneren bu çalışma sonucunda, geliştirilen uygulama ile tümör bulunmayan kişiler, iyi huylu ve kötü huylu tümör bulunan hastalar arasında yapılan sınıflandırma çalışmaları neticesinde evrelemenin %98.33 oranında başarım ile sağlandığı görülmüştür.
Olası bir nükleer saldırı durumda YSA ile kurtulma algoritması
İstanbul iline karşı gerçekleşecek olası bir havadan yere nükleer saldırı sonucu, erken uyarı sistemleri sayesinde gelecek bilgiyi kullanarak kullanıcının bulunduğu konuma göre kendisine yapay sinir ağları kullanılarak bir kaçma kurtulma algoritması oluşturmak. Saldırıdan sonra hayat idame için kullanıcıya destek ve arama kurtarma ekiplerinin işini kolaylaştırmak da çalışmanın diğer hedefidir. Hesaplamalar erken uyarı sisteminden gelecek verilere göre(yaklaşık konum) gerçekleştirileceğinden mütevellit yerden yere tabir edilen terörist saldırılar kapsam dışıdır. Olası saldırı senaryoları için uygun veri seti oluşturularak,yapay sinir ağları ile hata payı düşene kadar iterasyona uğratılacaktır. Çıkan sonuç kullanıcının anlayacağı düzeye indirgenerek görüntülenecektir. Çalışma alanı olarak İstanbul seçilmiştir.
Görüntü kaynaştırma yöntemlerinde performans analizi
Görüntü kaynaştırma konumsal çözünürlüğü yüksek olan bir görüntüdeki konumsal detayların konumsal çözünürlüğü düşük olan görüntülere transfer edilmesidir. Farklı görüntü kaynaştırma yöntemleri farklı kalitede kaynaşmış görüntüler sunmaktadır. Bu yöntemlerden bazıları düşük konumsal çözünürlüklü görüntünün spektral yapısını bozabilmektedir. Literatürde kaynaştırılmış görüntülerin konumsal ve spektral kalitelerinin belirlenmesinde kullanılan bazı metrikler bulunmaktadır. Bu metrikler bazı dezavantajlarından dolayı özellikle kaynaştırılmış görüntünün spektral kalitesini gerektiği şekilde ölçemeyebilmektedirler. Bu çalışmadaki amaç kaynaştırılmış görüntülerin spektral kalitelerinin sınıflandırma sonrası doğruluk analizleriyle ortaya koyulmasıdır. Bu amaçla pilot bölgelere ait Worldview-2, Landsat ETM+ ve Ikonos çok bantlı görüntüleri kendi pankromatik bantlarıyla, bir başka Ikonos görüntüsü ise Quickbird pan-sharpened görüntüsüyle 11 kaynaştırma yöntemi kullanılarak kaynaştırılmıştır. Bu yöntemler IHS, CN, HPF, PCA, Multiplicative, Ehlers, Brovey, Dalgacık Dönüşümü, Gram-Schmidt, Kriter Tabanlı Kaynaştırma yöntemi ve literatüre yeni katılan bir yöntemdir. Kaynaştırılan görüntüler aynı imzalar kullanılarak 6 sınıflandırma yöntemiyle sınıflandırılmıştır. Bu yöntemler En Yakın Mesafe, İkili Kodlama, Destek Vektör Makineleri, Rastgele Orman, Maksimum Benzerlik ve Yapay Sinir Ağları yöntemleridir. Kaynaştırılmış görüntüler için bazı metrikler uygulanmıştır. Sınıflandırma sonuçları ve metrikler birlikte değerlendirildiğinde HPF yönteminin konumsal detayı arttırırken bu çalışma kapsamındaki görüntülerin spektral yapısına minimum zarar veren yöntem olduğu belirlenmiştir.
Rastgele orman sınıflandırıcısına doku özellikleri entegre edilerek benzer spektral özellikteki tarımsal ürünlerin sınıflandırılması
Trabzon Sürmene'de yetiştirilen iki ana ürün fındık ve çaydır. Bundan dolayı, tez çalışması Trabzon-Sürmene bölgesine ait uydu görüntülerini kullanarak yetiştirilen fındık ve çay alanlarının dağılımlarını ve bu ürünlerin ekili olduğu alanların doğru ve hızlı bir şekilde belilenmesini amaçlamaktadır. Çalışmada 8 adet spektral banda (MS:2m) ve 1 adet yüksek konumsal çözünürlüklü pankromatik banda (PAN:0.5m) sahip WorldView-II uydu görüntüsü kullanılmıştır. Çalışma bölgesi farklı dönemlerde gelişim gösteren tarımsal ürünleri bünyesinde barındırdığı için hem yaz hem de kış dönemlerine ait uydu görüntüleri kullanılmıştır. Bu görüntüler Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Gentle AdaBoost (GAB) gibi makine öğrenme tabanlı yöntemler yanında klasik istatistik tabanlı En Çok Benzerlik (EÇB) yöntemiyle de sınıflandırılmış ve sonuçlar irdelenmiştir. Yaz dönemi için sadece spektral değerler kullanılarak elde edilen sınıflandırma sonuçları %79.05 genel doğrulukla RO' nun, GAB? den ~%7, DVM? den ~%10 ve EÇB? den de ~%19 daha yüksek sınıflandırma doğruluğu verdiğini göstermiştir. Kış dönemi için ise %71.84 genel doğrulukla RO, GAB? den ~%7, DVM? den ~%6 ve EÇB? den de ~%8 daha başarılı olmuştur. Ayrıca Eş Dizimlilik Matrisi (EDM), gabor ve curvelet gibi farklı özellik çıkarım yöntemleri ve NDVI bitki indeksi ve Sayısal Yükseklik Modeli (SYM) de RO' ya katılmış ve bu özelliklerin sınıflandırma başarısına katkıları irdelenmiştir. Bu yöntemler arasında en başarılı olan Gabor filtresi ve NDVI indeksi, RO? nun sınıflandırma doğruluğunu yaz dönemi için %9 oranında, kış dönemi için ise %8 oranında artırmıştır. Sonraki aşamada sınıflandırılmış görüntülerden ürün tematik haritaları ve veri tabanı oluşturulmuştur. Son olarak üretilen tematik haritalar mevcut durum ve güncel kadastral haritalar ile karşılaştırılmış ve yersel verilerle sınıflandırma sonuçları doğrulanmıştır.
İnşaat sahasında baret kullanımının derin öğrenme yöntemleri ile otomatik tespiti
Türkiye'de çalışanların sağlık ve güvenliğini korumak için yürürlükte olan kanun 6331 sayılı İş Sağlığı ve Güvenliği Kanunu'dur. İşyerinin bu Kanun kapsamında alacağı tedbirler toplu koruma tedbirleri ile başlar. Ancak iş kalemlerinin çeşitliliği ve şantiyelerde uygulanabilirliğinin zorluğu nedeniyle işçiler genellikle farklı bölgelerde ve dağınık yerleşimlerde bireysel olarak çalışmak zorunda kalmaktadır. Bu nedenle kişisel koruyucu donanım kullanımı ile çalışanların korunması gerekliliği ortaya çıkmaktadır. Kişisel koruyucu donanımlardan biri olan baretin, tehlikeli çalışma alanlarında çalışanları olası felaketlerden korumak amacıyla işçiler tarafından kullanımı yasal zorunluluktur. Aynı şekilde bu kanuna göre işveren de, çalışanlarına verilen baretlerin takılı olup olmadığını takip etmek ve takmayanları uyarmak zorundadır. Ancak büyük ve dağınık şantiyeler, çalışanların takibini zorlaştırmaktadır. Gelişen teknoloji sayesinde otomasyon sistemleri bu tür takipler için uygundur. Bu çalışmada, derin öğrenmeye dayalı olarak çalışanların inşaat sahalarında baret takıp takmadığı tespit edilmiştir. Bu amaçla, derin öğrenme temelli görüntü sınıflandırma yöntemi ve görüntü segmentasyonu yöntemi olmak üzere iki farklı çözüm izlenmiştir. Çalışmada baret tespiti, çalışanların tüm vücut bütünlükleri ve sadece başları referans alınarak farklı analizlerle çeşitlendirilmiştir. Elde edilen çıktılar karşılaştırılarak değerlendirildiğinde çalışanların sadece başlarına odaklanan analizlerin daha başarılı olduğu görülmüştür. İzlenen iki yöntemden görüntü segmentasyonu yöntemi daha verimli bulunmuştur.
Comparitive analysis of CNN algorithms for mushroom classification with proposed lightweight model
The classification of mushroom species presents significant ecologic and health-related challenges; advancement in classification techniques is required to gain reliable identifications. This master's thesis aims to explain a methodology that was devised and evaluated in the development of a novel, lightweight convolutional neural network designed specifically for the task of mushroom classification. The study provides a custom convolutional neural network model computationally cost-effective and capable of high-precision classification, fit for real-time usage. Hence, we evaluate the proposed model on this dataset of curated mushroom images with traditional classifiers and state-of-the-art convolutional neural network architectures, such as EfficientNet-B7, ResNet-50, InceptionV3, and MobileNetV2. The custom model is depth-wise separations engineered in such a way that while they reduce the computational load, they don't compromise the effectiveness of the model. This approach helps the model function effectively even on platforms having low computational resources. A comprehensive evaluation would reveal that a custom convolutional neural network has reasonable accuracy not only in the identification of different mushroom species vis-à-vis existing models but has significantly lightened the classification process as well. This study further strengthens the robustness of the model by integrating advanced regularization techniques to mitigate the problem of overfitting so that the model classifies across different and unseen mushroom species. Finally, it is highlighted in the thesis that the diversity of image backgrounds and variability of lighting conditions are characteristics known to affect model performance in datasets. These results shed light on the importance of a well-prepared dataset in training a successful machine learning model and draw strategies regarding dataset augmentation to lead to improved robustness of the model. In conclusion, this work contributes to the field of mycology by providing a reliable, efficient, and accessible tool for mushroom classification. It also sets a precedent for future research into the application of lightweight neural networks for real-time and on-site biological classification tasks, promoting broader adoption of artificial intelligence driven identification systems in ecological and public health domains.
Kumaş imgelerinin derin öğrenme ile sınıflandırılması
Her gün insan ve teknoloji etkileşiminden milyonlarca veri üretilmektedir. Bu verilerin işlenmesi ve belirli sonuçlar elde edilmesi bilginin varlığı açısından önemlidir. İnsanlar tarafından yapılan çıkarımlar artık gün geçtikçe başarı oranı artan, hata payı azalan yapay zekâ tabanlı sistemler tarafından yapılmaktadır. Görüntü, ses, dil işleme, biyomedikal gibi birçok alanda elde edilen başarılardan dolayı derin öğrenmenin kullanımı da yaygınlaşmıştır. Bu çalışmada da derin öğrenmenin çok katmanlı sinir ağı yapılarından olan evrişimli sinir ağları (CNN) ile kumaş görüntülerini sınıflandırma amaçlanmıştır. İlk aşamada sınıflandırma yapılacak modeller tasarlanırken başarıya etki eden hiper-parametreler dikkate alınmış, 10 farklı modelde eğitilmiştir. İkinci aşamada ise veriler önceden eğitilmiş yedi modelde transfer öğrenimi (Trasfer Learning) metodu ile iki farklı yaklaşım kullanılarak eğitilmiştir ve tüm sonuçlar karşılaştırılmıştır. Toplamda, veriler 24 farklı modelde eğitime tabi tutulmuştur. Her model kesinlik, duyarlılık, F1 skoru ve doğruluk metriklerine göre değerlendirilmiş sonuçlar paylaşılmıştır. Tasarlanan modellerde en yüksek başarı oranı ve en düşük başarı oranı sırasıyla %96,26, %28,24 olarak elde edilmiştir. Transfer öğrenimi yoluyla yapılan eğitimlerde en yüksek başarı oranı %84,51 ile ince ayar yapılmış VGG-16 modelinde elde edilirken, en düşük başarı %76,53'lük oranla sadece özellik çıkarımı yaklaşımı kullanılan InceptionV3 modelinden elde edilmiştir.
Beyaz kan hücrelerinin evrişimli sinir ağları ile sınıflandırılması ve bölütlenmesi
Son yıllarda beyaz kan hücrelerinin kan yayma görüntülerinden derin öğrenme yöntemleri kullanılarak tespiti, sınıflandırılması ve bölütlenmesi oldukça yaygınlaşmıştır. Beyaz kan hücrelerinin sınıflandırılması ve bölütlemesi lösemi, anemi ve çeşitli enfeksiyonlar gibi hastalıkların teşhisinde önemli rol oynamaktadır. Son yıllarda kan yayma görüntülerinin mikroskop altında incelenmesi gibi manuel yöntemlerin ve geleneksel algoritmaların yetersizliği sebebiyle işlem gücünün de artmasıyla bu tür problemlerin çözümünde derin öğrenme yaklaşımları sıklıkla kullanılmaya başlanmıştır. Sunulan tez çalışmasında beyaz kan hücrelerinin sınıflandırılması ve bölütlenmesi için iki ayrı yapay sinir ağı modeli oluşturulmuştur. Sınıflandırmada beyaz kan hücreleri bazofil, nötrofil, eozinofil, monosit ve lenfosit olmak üzere 5 sınıfa ayrılmıştır. Bölütlemede ise bazofil hariç 4 sınıfa (nötrofil, eozinofil, lenfosit ve monosit) ayrılmıştır. Bazofil hücre tipi, çekirdek ve sitoplazmasının neredeyse aynı büyüklükte olması nedeniyle bölütlemede kullanılmamıştır. Beyaz kan hücrelerinin bölütlemesi için semantik bölütleme yöntemi kullanılmıştır. Bölütleme için arka plan, çekirdek ve sitoplazma olmak üzere üç piksel sınıf etiketi belirlenmiştir. Yapılan çalışmaların performansını değerlendirmek için çeşitli performans değerlendirme metrikleri kullanılmıştır. Sınıflandırma için doğruluk, kesinlik, duyarlılık ve F1 Skoru değerleri; bölütleme için doğruluk, BF skoru ve IoU değerleri hesaplanmıştır. Sunulan tez çalışmasında, önerilen yöntemin literatürde yer alan diğer çalışmalarla karşılaştırıldığında sınıflandırmada daha iyi performansa sahip olduğu tespit edilmiştir. Ayrıca önerilen bir diğer yöntem olan bölütleme algoritmasıyla birlikte elde edilen başarılı sonuçlar ile klinik alanda hastalıkların teşhisinde kullanılabilecek bir tanı aracı da gelecek perspektifini oluşturmaktadır. Bu sunulan çalışmada, beyaz kan hücrelerinin hızlı ve doğru şekilde sınıflandırılması ile bölütlenmesi sağlandığı için hastalıkların erken teşhisinde önemli bir rol oynayabileceği çalışmanın önemini arz etmektedir. Ayrıca oluşturulan sistemin eğitilerek büyük mikroskop görüntülerinden beyaz kan hücrelerinin olduğu kısımlar tespit edilerek bu hücreleri tanıyabilen bir sistem oluşturmak amaçlanmıştır.