Geri Dön

Görüntü işleme uygulanan odyogramların yapay sinir ağları ve koşullu ifadelerle işitme kaybı tipi ve derecesi yorumlarının karşılaştırılması

Comparison of the type and degree of hearing loss with artificial neural networks and conditional expressions of audiograms applied to image processing

PDF İndir

  1. Tez No: 727414
  2. Yazar: YUSUF FAKİRULLAHOĞLU
  3. Danışmanlar: PROF. BAHRİYE ÖZLEM KONUKSEVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Kulak Burun ve Boğaz, Otorhinolaryngology (Ear-Nose-Throat)
  6. Anahtar Kelimeler: Görüntü İşleme, İşitme Kaybı, Makine Öğrenmesi, Koşullu İfadeler, Görüntü işleme algoritmaları, Yapay sinir ağları, Yapay zeka, Image Processing, Hearing Loss, Machine Learning, Conditional Expressions, Image processing algorithms, Artificial neural networks, Artificial intelligence
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Odyoloji Ana Bilim Dalı
  12. Bilim Dalı: Odyoloji Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Dişçi ve Konukseven (2021), odyogramların işitme kaybı türü ve derecesi belirlenmesinde, yapay sinir ağları ve koşullu ifadeler kullanan mobil uygulama metotlarını karşılaştırmış ve doğruluk oranlarını yapay sinir ağında işitme kaybı türü ve derecesini sırasıyla %94,50 ve %95, koşullu ifadelerde %96,40 ve %100 olarak oldukça yüksek elde etmiştir. Ancak mobil uygulamada, işitme eşikleri dB seviyeleri yazılarak girilmektedir. Mobil uygulamayı kullanan bireylerin işitme eşik dB seviyelerini yazarak doğru girmeleri problem olabilir. Bu bağlamda web uygulamalarında odyogramların fotoğraflarından veya pdf sonuçlarından sağ ve sol kulak işitme eşiklerinin görüntü işleme algoritmalarıyla veri seti oluşturulması ihtiyacı doğmuştur. Bu çalışmanın amacı, odyometre test sonuçlarından görüntü işleme uygulamasıyla veri seti oluşturmak ve bilgisayar tabanlı iki farklı metodun; makine öğrenmesi ve koşullu ifadeler; işitme kaybı türü ve derecesi yönünden elde edilen sonuçlarını karşılaştırmaktır. Metot: Çalışmada 1000 adet odyograma görüntü işleme algoritmaları uygulanmış ve frekans ile desibel değerlerinin belirlendiği bir veri seti haline getirilmiştir. Bu veri seti, alanında uzman odyologlar tarafından işitme kaybı derecesi ve türü yönünden etiketlenmiştir. Veri setinin her bir satırındaki işitme eşikleri, koşullu yapılarla döngüye girerek işitme kaybı türü ve derecesi belirlenmektedir. Yapay sinir ağları algoritması için Python programlama dili kullanılmıştır. Veri setindeki odyogramların 800 tanesi makineyi eğitmek için kullanılırken 200 tanesi makine sonuçlarının doğruluğunu kontrol etmek için kullanılmıştır. Bulgular: Yapay zeka ile işitme kaybı tipi belirlemede toplamda %89,50 doğruluk oranı elde edilmiştir. Sensörinöral tip işitme kaybı %86,79, mikst tip işitme kaybı %85,00 iletim tip işitme kaybı %89,19, normal işitmede %94,29 doğruluk oranı elde edilmiştir. Yapay zeka ile işitme kaybının derecesini belirlemede toplamda %89,00 doğruluk oranı elde edilmiştir. Çok ileri derecede işitme kaybında %75,00, ileri derecede işitme kaybında %81,81, orta-ileri derecede işitme kaybında %89,49, orta derecede işitme kaybında %90,00, hafif derecede işitme kaybında %86,11, normal işitmede %94,29 doğruluk oranı elde edilmiştir. Koşullu ifadeler ile işitme kaybı tipi belirlemede toplamda %96,20'lik doğruluk oranı elde edilmiştir. Sensörinöral tip işitme kaybı %93,63, mikst tip işitme kaybı %93,87, iletim tip işitme kaybı %95,65, normal işitmede %100 doğruluk oranı elde edilmiştir. Koşullu ifadeler ile işitme kaybının derecesini belirlemede toplamda %100'lük doğruluk oranı elde edilmiştir. Sonuç: Görüntü işleme algoritmalarıyla odyogramların işitme eşik dB seviyeleri belirlenerek veri seti oluşturulmuştur. Bu veri setinin işitme kaybı tipi ve derecesi yorumlanmasında koşullu ifadelerle elde edilen doğruluk oranı yapay sinir ağı algoritmasına göre daha yüksek elde edilmiştir.

Özet (Çeviri)

Purpose: Dişçi and Konukseven (2021) compared mobile application methods using artificial neural networks and conditional expressions to determine the type and degree of hearing loss in audiograms and compared the accuracy rates of the type and degree of hearing loss in the artificial neural network with 94,50% and 95% conditional expressions, 96,40% and 100%, respectively. achieved quite high. However, in the mobile application, hearing thresholds are entered by typing dB levels. It may be a problem for individuals using the mobile application to enter their hearing threshold dB levels correctly. In this context, the need to create a data set with image processing algorithms of right and left ear hearing thresholds has arisen from photos of audiograms or pdf results in web applications. The aim of this study is to create a data set from audiometer test results with image processing application and to use two different computer-based methods; machine learning and conditional expressions; To compare the results obtained in terms of the type and degree of hearing loss. Method: In the study, image processing algorithms were applied to 1000 audiograms and they were turned into a data set in which frequency and decibel values were determined. This data set has been labeled by specialist audiologists in terms of the degree and type of hearing loss. Hearing thresholds in each row of the dataset are looped with conditional expressions to determine the type and degree of hearing loss. Python programming language was used for artificial neural network algorithm. Of the audiograms in the dataset, 800 were used to train the machine, while 200 were used to check the accuracy of the machine results. Results: A total of 89.50% accuracy rate was obtained in determining the type of hearing loss with artificial intelligence. The accuracy rate was 86.79% for sensorineural hearing loss, 85.00% for mixed hearing loss, 89.19% for conductive hearing loss, and 88.57% for normal hearing. A total of 89.00% accuracy rate was obtained in determining the degree of hearing loss with artificial intelligence. 75.00% in profound hearing loss, 81.81% in severe hearing loss, 89.49% in moderately severe hearing loss, 90.00% in moderate hearing loss, 86.11% in mild hearing loss, and in normal hearing An accuracy rate of 94.29% was obtained. A total of 92.80% accuracy rate was obtained in determining the type of hearing loss with conditional expressions. The accuracy rate was 91.39% for sensorineural hearing loss, 90.14% for mixed hearing loss, 93.48% for conductive hearing loss, and 95.24% for normal hearing. A total of 100% accuracy rate was obtained in determining the degree of hearing loss with conditional statements. Conclusion: The data set was created by determining the hearing threshold dB levels of the audiograms with image processing algorithms. The accuracy rate obtained with conditional expressions in the interpretation of hearing loss type and degree of this data set was higher than the artificial neural network algorithm.

Benzer Tezler

  1. Tez No

    307118

    Design and control of visual servomechanism system for automating corneal cross linking treatment on keratoconus patients

    Keratokonus hastalığında uygulanan ccl tedavisi için görüntü işleme temelli otomatik bir servomekanizma sisteminin tasarımı ve kontrolü

    ONURCAN ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ERDİNÇ ALTUĞ

  2. Tez No

    398023

    Temel görüntü işleme algoritmalarının FPGA üzerinde gerçeklenmesi

    Implementing basic image processing algorithms on FPGA

    MEVLÜT MERT ÇİL

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  3. Tez No

    673458

    Tıbbi görüntü işleme ile tanı koymada veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi

    Performance analysis of data mining and deep learning methods in diagnosis with medical image processing

    HANİFE AVCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    BiyoistatistikHacettepe Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    DOÇ. DR. JALE KARAKAYA KARABULUT

  4. Tez No

    119834

    Sera ortamında bitki gelişiminde görüntü işleme yöntemlerinin kullanılması üzerine bir araştırma

    A research on the usage of image processing methods on plant growing in greenhouses

    ŞEVKET YILMAZ

    Doktora

    Türkçe

    Türkçe

    2002

    ZiraatÇukurova Üniversitesi

    Tarım Makineleri Ana Bilim Dalı

    PROF.DR. ALİ BAŞÇETİNÇELİK

  5. Tez No

    442820

    Görüntü işleme ile yaprak alanı ölçüm sistemi tasarımı

    Leaf area measurement system design with image processing

    ORHAN TOSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. RAMAZAN ŞENOL

Geri Dön