Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://acikerisim.ktu.edu.tr/jspui/handle/123456789/3376
Tüm üstveri kaydı
Dublin Core Alanı | Değer | Dil |
---|---|---|
dc.contributor.author | Baykal Kablan, Elif | - |
dc.date.accessioned | 2022-05-09T12:29:27Z | - |
dc.date.available | 2022-05-09T12:29:27Z | - |
dc.date.issued | 2020-09 | - |
dc.identifier.uri | http://acikerisim.ktu.edu.tr/jspui/handle/123456789/3376 | - |
dc.description.abstract | Seröz efüzyonlar sitopatolojik değerlendirmelerde sıklıkla karşılaşılan bir numune türüdür. Sitopatolojik değerlendirmenin zaman alıcı, yorucu ve patolog-içi ve patologlar-arası değişken olmasından dolayı tez çalışması kapsamında, seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı otomatik tanı yaklaşımları önerilmektedir. İlk olarak, artık öğrenme tabanlı yeni bir konvolüsyonel sinir ağı modeli sitopatolojik görüntülerde boya normalizasyonu amacıyla önerilmiştir. Önerilen modelin çekirdek segmentasyonu yöntemlerinin başarılarını önemli oranda artırdığı görülmüştür. İkinci olarak, tam konvolüsyonel sinir ağlarının topluluğuna dayalı yeni bir ağ mimarisi çekirdek segmentasyonu amacıyla önerilmiştir. Önerilen ağ topluluğu mimarisi ile elde edilen segmentasyon başarısının modellerin tek başına elde ettiği başarıyı geçtiği görülmüştür. Üçüncü olarak, modern konvolüsyonel nesne algılayıcılar çekirdek algılama amacıyla önerilmiştir. YOLOv3 mimarisinde iyileştirmeler sonucunda önerilen nesne algılayıcıların diğer nesne algılayıcılara nazaran daha hızlı algılama sağlamakla birlikte algılama başarısının da güçlü olduğu görülmüştür. Son olarak, seröz hücre sınıflandırma için literatürdeki popüler konvolüsyonel sinir ağı modellerinin analizleri yapılmış ve optimum bir konvolüsyonel sinir ağı modeli önerilmiştir. Önerilen model en az sayıda öğrenilebilir parametreye sahiptir böylece test süresini büyük oranda azaltmıştır. Tez çalışmasında ayrıca ön işlem, algılama, segmentasyon ve sınıflandırma adımlarının her biri için plevral efüzyon sitopatoloji görüntülerinden oluşan özgün bir veri seti önerilmiştir. | tr_TR |
dc.language.iso | tr | tr_TR |
dc.publisher | Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü | tr_TR |
dc.subject | Seröz efüzyon, Sitopatoloji, Makine ögrenmesi, Bilgisayar ˘ destekli tanı, Boya normalizasyonu, Çekirdek algılama, Çekirdek segmentasyonu, Hücre sınıflandırma, Derin ögrenme, Konvolüsyonel ˘ sinir agları. | tr_TR |
dc.subject | Serous effusion, Cytopathology, Machine learning, Computer aided diagnosis, Stain normalization, Nuclei detection, Nuclei segmentation, Cell classification, Deep learning, Convolutional neural networks. | tr_TR |
dc.title | Seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı tanı yaklaşımlarının geliştirilmesi ve uygulanması | tr_TR |
dc.title.alternative | Development and implementation of machine learning based diagnosis approaches in serous effusion cytopathology | tr_TR |
dc.type | Thesis | tr_TR |
Koleksiyonlarda Görünür: | Bilgisayar Mühendisliği |
Bu öğenin dosyaları:
Dosya | Açıklama | Boyut | Biçim | |
---|---|---|---|---|
649093.pdf | 67.12 MB | Adobe PDF | ![]() Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.