Search

Günümüzde böbrek tümörü vakalarına oldukça sık rastlanmaktadır. Hastanın böbreğindeki tümör; büyüklük ve bölgesel olarak farklılık gösterebilir. Tümörün bir uzman tarafından doğru tespit edilememesi, geç teşhis ve erken tedavi uygulanmaması halinde hastalar çok ciddi riskler ile karşı karşıyadır. Doğru ve hızlı teşhis için literatürde yapay zeka teknolojilerine dayalı karar destek sistemlerinin önemli çözüm önerileri sunduğu görülmektedir. Tıp alanı yapay zekanın en çok kullanıldığı alanların başını çekmektedir. Böbrek tümörlerin tespitinde bilgisayarlı tomografi tıbbı görüntüleme cihazları yaygın olarak kullanılmaktadır. Bu çalışma kapsamında, bilgisayarlı tomografi cihazı tarafından üretilen görüntüler kullanılmıştır. Böbrek tümörü tespit analizi için sınıflandırıcı model olarak Convolutional Neural Network (CNN) kullanılmıştır. VGG16, VGG19 ve ResNET50 modelleri kullanarak aralarındaki performans karşılaştırma analizi yapılmıştır. Uygulamanın yazılım dili olarak Python ile Tensorflow, Keras ve OpenCV kütüphaneleri kullanılmıştır. Yapılan analiz tespiti sonucunda böbrek tümörlerinin saptanmasında %85’lere varan oranda tespitin başarılı şekilde gerçekleştirildiği görülmüştür., Kidney tumors are very common nowadays. Tumor in the patient's kidney; may vary in size and region. If the tumor cannot be detected correctly by a specialist, late diagnosis and early treatment are not applied, patients are at risk of death. In such cases, the importance of technology becomes clear. With the rapid development of technology, the concept of artificial intelligence has become the center of our lives in recent years. Medicine is also one of the areas where this concept is used the most. Computed tomography medical imaging devices are widely used in the detection of kidney tumors. Within the scope of this study, images obtained by computerized tomography device were used. Convolutional Neural Network (CNN) was used as the classifier model for kidney tumor detection analysis. Performance comparison analysis between them was made using VGG16, VGG19 and ResNET50 models. Python and Tensorflow, Keras and OpenCV libraries were used as the software language of the application. As a result of the analysis, it was seen that it was successfully performed in the detection of kidney tumors

Cerebrovascular disease (CVD) causes paralysis and even mortality in humans due to blockage or bleeding of brain vessels. The early diagnosis of the CVD type by the specialist can avoid these casualties with a correct course of treatment. However, it is not always possible to recruit enough specialists in hospitals or emergency services. Therefore, in this study, an artificial intelligence (AI)-based clinical decision support system for CVD detection from brain computed tomography (CT) images is proposed to improve the diagnostic results and relieve the burden of specialists. The deep learning model, a subset of AI, was implemented through a two-step process in which CVD is first detected and then classified as ischemic or hemorrhagic. Moreover, the developed system is integrated into our custom-designed desktop application that offers a user-friendly interface for CVD diagnosis. Experimental results prove that our system has great potential to improve early diagnosis and treatment for specialists, which contributes to the recovery rate of patients., Serebrovasküler hastalık (SVH), beyin damarlarının tıkanması veya kanaması nedeniyle insanlarda felce ve hatta ölüme neden olmaktadır. SVH tipinin uzman tarafından erken teşhisiyle olumsuz etkiler doğru bir tedavi süreci ile engellenebilir. Ancak, hastanelerde veya acil servislerde yeterli sayıda uzmanın görevlendirilmesi her zaman mümkün olmamaktadır. Bu nedenle, bu çalışmada, tanı sürecini hızlandırmak ve uzmanların yükünü hafifletmek için beyin bilgisayarlı tomografi görüntülerinden SVH tespiti için yapay zeka tabanlı bir klinik karar destek sistemi önerilmiştir. Yapay zekanın bir alt kümesi olan derin ögrenme modeli, SVH’nin önce tespit edildiği ve ardından iskemik veya hemorajik olarak sınıflandırıldığı iki aşamalı bir süreçle uygulanmıştır. Ayrıca geliştirilen sistem, SVH teşhisi için kullanıcı dostu bir arayüz sunan özel olarak tasarlanmış¸ masaüstü uygulamamıza entegre edilmiştir. Deneysel sonuçlar, sistemimizin uzmanlar için erken teşhis ve tedaviyi geliştirme konusunda büyük bir potansiyele sahip olduğunu ve hastaların iyileşme oranına katkıda bulunacağını göstermektedir.

2019 Aralık ayında Wuhan kentinde başlayan ve tüm dünyayı etkisi altına alan COVID-19 hastalığı pek çok insanın hayatını kaybetmesine neden olmuştur. İnsandan insana yayılım gösteren bu hastalığın hızlı bir şekilde tespit edilerek hastaların izolasyona tabi tutulması salgının kontrol altına alınması açısından önem taşımaktadır. COVID-19 hastalığını tespit etmek için kullanılan güvenilir yöntemlerin başında akciğer X-Ray görüntüleri gelmektedir. Ancak COVID-19 hastalığına benzer özellikleri taşıyan akciğer hastalıklarının olması, radyologların tanı işlemlerini zorlaştırmaktadır. Bu çalışmada, akciğer X-Ray görüntüleri ile transfer öğrenme modelleri kullanılarak COVID-19 hastalığını tespit etmek amaçlanmıştır. Oluşturulan veri seti üzerinden yapılan segmentasyon işlemlerinin ardından, VGG-16, ResNet-50, DenseNet-121 ve Inception V3 gibi son teknoloji transfer öğrenme modelleri ile deneysel çalışmalar yapılmıştır. Çalışmaların sonucunda en yüksek % 96.7 doğruluk oranı VGG-16 modelinde tespit edilmiştir., The COVID-19 disease, which started in the city of Wuhan in December 2019 and affected the whole world, caused many people to die. Rapid detection of this disease, which spreads from person to person, and isolation of patients are important in terms of controlling the epidemic. Lung X-Ray images are the leading reliable methods used to detect COVID-19 disease. Due to, the presence of lung diseases with similar features to COVID-19 makes it difficult for radiologists to diagnose. In this study, it was aimed to detect COVID-19 disease by using transfer learning models with lung X-ray images. After the segmentation processes on the created dataset, experimental studies were carried out with the latest technology transfer learning models such as VGG-16, ResNet-50, DenseNet-121 and Inception V3 models. As a result of the studies, the highest accuracy rate of 96.7% was determined in the VGG-16 model.

Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur. Processing of visual data has been used frequently in recent years, especially in the medical field. By using deep learning methods, a sub-branch of artificial intelligence, together with image processing methods; It has been successfully applied in many areas, especially tissue analysis and automatic classification of diseases. Deep learning experienced a stagnation due to the inadequacy of the existing hardware for a while, but it started to become a popular field again with the 2000s. With the developments in GPU, there has been a transition from shallow artificial neural networks to deep artificial neural networks. Thanks to back propagation algorithms between layers, hidden and distinctive features in large data sets are discovered. This reveals the effectiveness of artificial neural networks and deep learning methods. In this study, histopathological breast cancer images in the BreakHis dataset were classified using image processing and deep learning methods. At the same time, studies in the literature were also examined. The aim of the thesis is to present an automatic method for the early and accurate diagnosis of breast cancer, which is very common in women in recent years. As a result of the studies carried out in this way, a study has been put forward that will support medical professionals in their decisions.

Duygu tanıma ve davranış yargısı gibi duyguları anlamanın anahtarı görevini gören yüz ifadelerini anlama, insanların günlük hayatında oldukça değerlidir. Anlık olarak sistemlerde algılanan görüntü ve videodan duyguları tanımak, her ne kadar insanların gözleri için kolay ve önemsiz olsa da makineler için çok doğru bir şekilde algılanması zorlayıcı olup uygulanmasında birçok görüntü işleme tekniği gerektirmektedir. Günümüzde önemli bir yere sahip olan yüz duygu durumu sistemleri, her geçen gün daha çeşitli alanlarda uygulanıp ilgi çekmeye devam etmektedir. Yüz duygu durumu ile birlikte yaş ve cinsiyetin canlı şekilde kameradan belirlenmesinin, birçok potansiyel amaca hizmet edeceği tahmin edildiğinden bu çalışmada canlı kamera görüntüsündeki yüzlerin duygu durumu, cinsiyeti, yaş aralığı ve duygu durumuna bağlı olarak da stres oranı hesaplanmaktadır. Çalışmada veri seti olarak FER2013, FER+ ve UTKFace kullanılmış olup, CNN modellerinden ise özelleştirilmiş CNN modeli, VGG-16, ResNet-50 ve ResNet-152 mimarileri tercih edilmiştir. Elde edilen sonuçlarda en iyi performansı ResNet-50 modeli sağlamıştır. Tüm tahmin edilen anlık durumlar için gerçek hayatta eğitim, sağlık, iş güvenliği, suç tespitleri, ticaret vb. gibi farklı uygulamalarda oluşturulan sistemin kullanımı önceden uyarıcılar oluşturmaya da yardımcı olabilecektir. Hali hazırda uygulanan birçok sistem günlük hayatta mevcut olsa da bu sistemleri aynı anda tek bir çatı altında toplayarak bir adım daha ileriye götürmeyi amaçlayıp bu çalışmayı daha önce literatürde olmayan bir şekilde tamamlamış bulunuyoruz. Understanding facial expressions, which serve as the key to understanding emotions such as emotion recognition and behavioral judgment, is very valuable in people's daily lives. Although it is easy and insignificant for people's eyes, it is difficult for machines to perceive it accurately and requires many image processing techniques to be applied. Facial emotion recognition systems, which have an important place today, are being applied in various areas and continue to attract attention. Since the prediction of facial emotion with age and gender in live camera captures will serve many potential purposes, in this study, the stress rate is calculated based on the emotional perspectives of the faces in the live camera image. In the study, FER2013, FER+, and UTKFace were used as data sets, and customized CNN model, VGG-16, ResNet-50, and ResNet-152 architectures were preferred among CNN models. In the obtained results, the ResNet-50 model provided the best accuracy performance. All predicted instant situations in real life are able to help in various application areas such as education, health, job security, crime detection, trade, etc. Although many systems that are currently applied exist in daily life, we have completed this study in a way that has not been in the literature before, aiming to take these systems one step further by gathering these systems under one roof at the same time.