Derin öğrenme yöntemlerini kullanarak akciğer görüntülerinden hastalık tespiti ve sınıflandırılması
Disease detection and classification from lung images using deep learning method
- Tez No: 985536
- Danışmanlar: DOÇ. DR. İPEK ATİK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gaziantep İslam Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akciğer hastalıkları her geçen gün sağlık alanında ele alınması gereken önemli rahatsızlıkların başında gelmektedir. Hastalığın erken aşamada tespit edilmesi ve doğru tedaviye hızlı bir şekilde yanıt vermesi hastalar için hayati bir öneme sahiptir. Doktorların hastalığı erken aşamada belirlemesinde ve hastalıklı bireylerde tedaviye erken başlanması hastalığın seyrini yüksek oranda etkilemiştir. Akciğer hastalık tespiti ve sınıflandırılması uzmanlık gerektiren zor bir süreç olup gerekli müdahalenin doğru zamanda yapılması tedavinin başarısını ortaya koymaktadır. Akciğer hastalıkları her geçen gün çeşitlenmekte ve analiz edilmesi zor bir durum haline gelmektedir. Yanlış hastalık tespiti ve hastalığın doğru şekilde analiz edilememesi insan sağlığını büyük oranda etkilemiştir. Günümüzde yapılan çalışmalarda yapay zeka yönteminin kullanımı hastalığı tespit edebilmede ön plana çıkmaktadır. Görüntülerin analizi ve doğru bir şekilde sınıflandırılması hastalığın durumunu hafifletmekte ve ölüm riskini azaltmaktadır. Bu tez çalışmasında YOLO modelleri kullanılarak akciğer görüntülerinden oluşan bakterili, virüslü ve normal hastalık görüntüleri olan veri kümesi kullanılıp YOLO algoritmasının farklı sürümleri (YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12) karşılaştırmalı olarak incelenmiş ve hastalık tespitinin gerçekleştirilmesi amaçlanmıştır. Yapılan deneylerde sırasıyla YOLOv8 %87,9, YOLOv9 %85, YOLOv10 %86,8, YOLOv11 %87,8 ve YOLOv12 %86,1 ortalama hassasiyet (mAP) değerine ulaşmıştır. Çalışmada YOLOv8 diğer modellere göre model mimarisindeki yapısı ve özellik çıkarımı sayesinde nesne tespitini genelleştirme yeteneğinden dolayı en iyi performansı göstermiştir. Çalışmanın hastalık tespit yeteneğini arttırmak için en iyi performans gerçekleştiren YOLOv8 modeline SE ve uzlamsal dikkat modülü entegre edilmiştir. Geliştirilen YOLOv8 modeli %88,7 mAP, %88 duyarlılık, %78,6 kesinlik ve %83 F1 skoruyla en iyi başarıyı yakalamıştır. YOLOv8 modeline entegre edilen SE ve uzlamsal dikkat modülü çalışmanın sonucunu %1,01 oranında iyileştirmiştir.
Özet (Çeviri)
Lung diseases are among the most important health issues that need to be addressed in the healthcare field. Early detection of the disease and a rapid response to the correct treatment are of vital importance. Doctors' ability to identify the disease at an early stage and the early initiation of treatment in affected individuals have significantly influenced the course of the disease. The detection and classification of lung diseases is a difficult process requiring expertise, and the timely implementation of the necessary intervention determines the success of the treatment. Lung diseases are diversifying every day and have become difficult to analyze. Incorrect disease detection and failure to analyze the disease correctly have greatly affected human health. In today's studies, the use of artificial intelligence methods is at the forefront in detecting disease. Analyzing images and classifying them correctly alleviates the condition of the disease and reduces the risk of death. In this thesis, a dataset consisting of bacterial, viral, and normal disease images from lung images was used with YOLO models, and different versions of the YOLO algorithm (YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12) were examined comparatively with the aim of detecting disease. In the experiments, YOLOv8 achieved an average precision (mAP) value of 87.9%, YOLOv9 achieved 85%, YOLOv10 achieved 86.8%, YOLOv11 achieved 87.8%, and YOLOv12 achieved 86.1%. In the study, YOLOv8 showed the best performance compared to other models due to its ability to generalize object detection thanks to its model architecture and feature extraction. To improve the disease detection capability of the study, the SE and attention modules were integrated into the YOLOv8 model, which performed the best. The developed YOLOv8 model achieved the best performance with 88.7% mAP, 88% sensitivity, 78.6% precision, and 83% F1 score. The SE and attention module integrated into the YOLOv8 model improved the study's result by 1.01%.
Benzer Tezler
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Utilizing explainable artificial intelligence approaches to transformer based models in medical image analysis
DELAL ŞEKER
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULNASIR YILDIZ
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU