Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: Ismael Abdullah Mohammed AL-RAWE
Danışman: Adem Tekerek
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Covid 19 hastalığı dünya genelinde her yıl bir milyondan fazla ölüme neden oluyor. Covid 19 hastalıkları dünyadaki en yaygın tıbbi durumlardan bazılarıdır. Mevcut klinik teknolojiler binlerce görüntü üreterek bir hekimin hepsini doğru bir şekilde değerlendirmesini imkansız hale getirmektedir. Yeni bir koronavirüs hastalığı (COVID -19), Aralık 2019 'dan bu yana büyük akciğer hasarına ve solunum sorunlarına neden olmaktadır. Öte yandan, bir tür akciğer hastalığı olan pnömoniye neden olan COVID -19 virüsü veya başka bir viral veya bakteriyel enfeksiyon neden olabilir. Bu hastalıkların önlenmesi, kontrolü ve tedavisinin yanı sıra solunum sağlığının teşvik edilmesi, küresel sağlık karar vermede yüksek öncelikli olmalıdır. Ayrıca, tıbbi görüntülerin insan tarafından yorumlanması yanlış olma eğilimindedir ve tüm verileri ve görüntüleme bilgilerini ortaya çıkarmaz. Bu tezin birincil amacı, dijital göğüs röntgeni görüntülerinden Covid 19 hastalığı için otomatik taramaya derin öğrenme tekniklerini uygulamaktır. Makine öğrenimi tabanlı yöntemler için çerçeve çoğunlukla şu adımlardan oluşur: ön işleme, segmentasyon, öznitelik çıkarma ve sınıflandırma. Göğüs röntgeni görüntüleri, istenmeyen bozulmaları bastırmak ve aşağı akış işleme için önemli olan belirli görüntü özelliklerini geliştirmek için önceden işlenir ve bölümlere ayrılır. Daha sonra, derin öğrenme kullanılarak, göğüs röntgeni görüntülerini sınıflandırmak için kullanılan ilgili özellikler çıkarılır. Son olarak, sınıflandırıcıların performansı ölçülmüş ve karşılaştırılmıştır. Bu araştırmada, COVID -19 tanımlaması için makine öğrenimi modelleri oluşturmak amacıyla Covid19 veri kümesi ve Göğüs X - ışını (Covid -19 ve Pnömoni) veri kümesi olmak üzere iki kritik veri kümesinin kapsamlı bir incelemesini gerçekleştirdik. Bulgularımız, veri kümesi kalitesinin ve karmaşıklığının model performansı üzerinde önemli bir etkiye sahip olduğunu göstermektedir [1].