Geri Dön

Integration of machine learning and deep learning methods for the enhancement of rheumatoid arthritis diagnosis

Romatoid artrit tanısının iyileştirilmesi için makine öğrenmesi ve derin öğrenme yöntemlerinin entegrasyonu

PDF İndir

  1. Tez No: 856355
  2. Yazar: KEMAL ÜRETEN
  3. Danışmanlar: PROF. DR. HADİ HAKAN MARAŞ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Normal el radyografileri ve Romatoid artritli el radyografilerini sınıflandırmak için yapılan bu çalışmada CNN'ler nesne dedektörü ve özellik çıkarıcı olarak kullanıldı. YOLOv4 ile ön işlem sonrası önceden eğitilmiş VGG-16 modeli ile sınıflandırma yapıldı. Doğruluk, duyarlılık, özgüllük, kesinlik, F1 score, area under the curve (AUC) ve Cohen's kappa performans metriklerinde sırasıyla %90.5, %96.0, %85.7, %85.7, %90.5, 0.94 ve 0.81 sonuçları elde edildi. VGG-16 modeli ile özellik çıkarımı yapıldı ve bu veri seti ile topluluk öğrenme algoritmalarından stacking yöntemi ile doğruluk sonucunda % 0.9'luk bir iyileşme oldu. Performansı iyileştirmek için yapılan çalışmalar sonucunda literatüre iki yeni katkı sağlandı. Önce majority voting sınıflandırıcısına segmental arama özelliği eklendi ve önerilen bu majority voting modeliyle VGG-16'ya göre % 1 doğruluk artışı elde edildi. İkinci olarak verisetine filtre özellik seçim yöntemlerinden ANOVA ve varyans eşik yöntemleri birlikte uygulandı ve optimum özellik sayısını bulmak için makine öğrenmesi sınıflandırıcısı ANOVA algoritması içine yerleştirildi. Optimum özellik seti yinelemeli olarak arandı. Önerilen bu ANOVA ve varyans eşik yöntemiyle Rastgele Orman, Lojistik Regresyon ve Destek Vektör Makineleri algoritmaları ile performans metriklerinde %2-5 oranında iyileşme sağlandı. Önerilen her iki yöntemle de eğitim süresi kısaldı.

Özet (Çeviri)

In this study to classify normal and Rheumatoid arthritis hand radiographs, convolutional neural networks were used as object detectors and feature extractors. After pre-processing with YOLOv4, classification was performed with the pretrained VGG-16 model. Accuracy, sensitivity, specificity, precision, F1 score, area under the curve (AUC), and Cohen's kappa performance results of 90.5%, 96.0%, 85.7%, 85.7%, 90.5%, 0.94, and 0.81 were obtained, respectively. Feature extraction was performed with VGG-16 model, and with this extracted features dataset, a 0.9% improvement in accuracy was achieved with the stacking method. Two novel contributions were made to the literature as a result of work performed in this thesis. First, segmental search property was added to the majority voting classifier, providing a 1% improvement in accuracy compared to VGG-16. Second, ANOVA and variance threshold methods were applied to the dataset for feature selection, and the machine learning classifier was inserted into the ANOVA algorithm to find the optimum number of features. The optimal feature set was searched iteratively. With this proposed ANOVA and variance threshold feature selection methods, a 2-5% improvement in performance metrics was achieved with Random Forest, Logistic Regression and Support Vector Machines algorithms. Training time was shortened with both proposed methods.

Benzer Tezler

  1. Tez No

    1003526

    Yapılandırılmış sağlık verilerinde diyabet teşhisi için derin öğrenme ve klasik makine öğrenmesi yöntemlerinin karşılaştırmalı analizi: Açıklanabilir bir yaklaşım

    Comparative analysis of deep learning and classical machine learning methods for diabetes diagnosis in structured health data: An explainable approach

    İSMAİL ÇELEBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiKilis 7 Aralık Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN GÜLER

  2. Tez No

    973489

    Makine öğrenimi ve derin öğrenme tabanlı yaklaşımlarla elektrokardiyografi sinyallerinden miyokard enfarktüsün değerlendirilmesi

    Machine learning and deep learning based approaches for the evaluation of myocardial infarction from electrocardiography signals

    NERMİN AYBİKE ERTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞEGÜL GÜVEN

  3. Tez No

    974345

    The empirical analysis of international climate policies for energy decisions

    Uluslararası iklim politikalarının enerji kararları için ampirik analizi

    MUHAMMED MÜCAHİT DENK

    Doktora

    İngilizce

    İngilizce

    2025

    EnerjiKoç Üniversitesi

    Endüstri Mühendisliği ve Operasyon Yönetimi

    PROF. DR. CEYDA OĞUZ

  4. Tez No

    770074

    Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning

    Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi

    MUHAMMED FURKAN KUCUK

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiUnıversıty Of South Florıda

    Haberleşme Ana Bilim Dalı

    DOÇ. DR. İSMAİL UYSAL

  5. Tez No

    949440

    Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini

    Battery state of health estimation based on test data using machine learning and deep learning methods

    MEHMET ALİ ARSLANTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET ÇALIŞKAN

Geri Dön