Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://acikerisim.ktu.edu.tr/jspui/handle/123456789/4392
Başlık: | Yanık görüntülerinin çok değişkenli istatistiksel yöntemler ve derin öğrenme yaklaşımları ile analizi |
Diğer Başlıklar: | Analysis of burn images by multivariate statistical methods and deep learning approaches |
Yazarlar: | Karakullukçu, Erdinç |
Anahtar kelimeler: | Yanık, Deri, Sınıflandırma, Segmentasyon, Derin öğrenme, Semantik segmentasyon, SegNet, U-Net;Burn, Skin, Classification, Segmentation, Deep learning, Semantic segmentation, SegNet, U-Net |
Yayın Tarihi: | Oca-2020 |
Yayıncı: | Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü |
Özet: | Yanık uzmanlarının nadiren bulunduğu özellikle kırsal kesim acil servislerinde, yanık yarasının fotoğraflarının çekilmesi ve görüntülerin yanık uzmanları tarafından incelenebileceği tam teşekküllü bir sağlık merkezine gönderilmesi ile hastaya yapılacak ilk müdahaleye karar verilebilmektedir. Sunulan tezin amacı, yanık hastalarına ilişkin 105 adet dijital (2D) görüntüdeki sağlıklı ve yanık deriye ilişkin bölgelerin tespit edilebilmesidir. Tezde bu amaç doğrultusunda, iki tip yaklaşım önerilmiştir. Segmentasyon ve sınıflandırma olmak üzere iki aşamadan oluşan ilk yaklaşımda, literatürde yaygın olarak kullanılan 4 segmentasyon ve 10 sınıflandırma yönteminin performansı, değişen renk uzaylarına (CIE L*a*b*, HSV, YCbCr) ve sınıflandırıcı eğitiminde kullanılan öznitelik matrislerine (gri seviye histogram istatistikleri, Haralick öznitelikleri, ortalama parlaklık değerleri) göre değerlendirilmiştir. En iyi sınıflandırma performansı, CIE L*a*b* renk uzayının a* ve b* renk kanallarının FCM'de girdi verisi olarak kullanıldığı ve segmente edilmiş görüntüdeki her bir bölgenin ileriye doğru seçim sonrasında elde edilen 9 adet Haralick özniteliği kullanılarak eğitilmiş yapay sinir ağı modeli ile sınıflandırıldığı durumda elde edilmiştir. 5-katmanlı çapraz doğrulamada hesaplanan ortalama F-skoru %74.28 olarak bulunmuştur. Sunulan tezde kullanılan ikinci yaklaşımda, U-Net ve SegNet mimarileri, iki çeşit eğitim seti kullanılarak eğitilmiş ve 64x64 piksel boyutundaki bloklar ile eğitilen SegNet modeli 5-katmanlı çapraz doğrulama ortamında %80.5'lik bir ortalama F-skoru elde etmiştir. |
URI: | http://acikerisim.ktu.edu.tr/jspui/handle/123456789/4392 |
Koleksiyonlarda Görünür: | İstatistik ve Bilgisayar Bilimleri |
Bu öğenin dosyaları:
Dosya | Açıklama | Boyut | Biçim | |
---|---|---|---|---|
620703.pdf | 5.55 MB | Adobe PDF | Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.