14 results on '"derin öğrenme"'
Search Results
2. Bitki hastalıklarını tespitte derin öğrenme: ResNet modelinin etkinliği.
- Author
-
TOPCU, Cihan and GÜNEŞ, Peri
- Subjects
- *
SUSTAINABLE agriculture , *MACHINE learning , *EARLY diagnosis , *PLANT diseases , *AGRICULTURE , *AGRICULTURAL education - Abstract
Early detection of plant diseases holds a central place in the agriculture sector and is indispensable for both increasing yield and maintaining ecosystem balance. The advancements in artificial intelligence technologies have revolutionized this field, enabling rapid and effective identification of diseases. The ResNet model used in this study stands out as one of the best deep learning algorithms, demonstrating the ability to accurately classify a wide spectrum of diseases by detecting complex features on plant leaves. This superior performance of ResNet is a critical step in enhancing agricultural productivity and protecting plant health. The data examined in detail during the training process of the model show that the ResNet model has achieved extraordinary success in detecting plant diseases. The achieved 99% success rate is a clear indicator of how AIbased image processing technologies can play a vital role in agricultural applications. Such accuracy, especially in challenging outdoor conditions and on diverse leaf samples, is particularly impressive and proves the model's ability to understand and classify a wide disease spectrum. These results suggest that the ResNet model could be adopted as an industry standard in diagnosing plant diseases and create a transformation in agricultural applications. The findings of this study underline the contributions and potential of AIsupported plant disease detection systems for the agriculture sector. With the implementation of the advanced ResNet model, early and accurate disease detection is made possible, significantly improving the efficiency and sustainability of agricultural processes. This technological progress allows for the rapid treatment and prevention of diseases, thereby enhancing the overall quality and safety in agricultural production. This success demonstrates the power of ResNet's deep learning approach to offer applicable and effective solutions to real-world agricultural problems. [ABSTRACT FROM AUTHOR]
- Published
- 2024
- Full Text
- View/download PDF
3. Computer-Aided Monitoring of Fetus Health From Ultrasound Images: A Review.
- Author
-
Ataş, Deniz and Yılmaz, Yonca Bayrakdar
- Subjects
COMPUTER-aided design ,FETUS ,IMAGE processing ,MACHINE learning ,DEEP learning - Abstract
Copyright of Acta Infologica is the property of Acta Infologica and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
- Published
- 2022
- Full Text
- View/download PDF
4. Derin öğrenme kullanılarak nesnelerin interneti tabanlı mobil sürücü yorgunluk tespiti.
- Author
-
Şafak, Emre, Doğru, İbrahim Alper, Barışçı, Necaattin, and Toklu, Sinan
- Subjects
- *
CONVOLUTIONAL neural networks , *DEEP learning , *MACHINE learning , *DROWSINESS , *IMAGE processing - Abstract
Driver drowsiness detection is an important issue to prevent traffic accidents. 40% of severe traffic accidents are due to drowsiness. Various methods are used for driver drowsiness detection. One of the driver drowsiness detection method is driver drowsiness detection based on the analysis of signals such as EEG and ECG. Another driver drowsiness detection method is driver drowsiness detection based on vehicle-driver interaction. The last driver drowsiness detection method used in the study is driver drowsiness detection from images. This method is more advantageous than the other two methods in terms of cost and usability because no driver intervention required. Classical image processing techniques and deep learning algorithms are used for driver drowsiness detection from images. Recent driver drowsiness detection studies are based on deep learning models. In addition, the model to be developed will need to be able to work on mobile devices in order to ensure widespread use. In the study, Convolutional Neural Networks were used for driver drowsiness detection on mobile devices. In order to increase the success rate of the model, the pre-trained model was reused with the transfer learning technique. The model developed for the training consists of 14 layers and 1,236,217 parameters. The dataset consists of two categories, open-eye and closed-eye images. The developed model achieved 95.65% accuracy, 95.86% precision, 94.32% recall and 95.17% f1 score which achieved better results than previous studies. A dataset of 2425 images was used to train the model. [ABSTRACT FROM AUTHOR]
- Published
- 2022
- Full Text
- View/download PDF
5. Breast cancer diagnosis using deep belief networks on ROI images.
- Author
-
ALTAN, Gökhan
- Subjects
- *
CANCER diagnosis , *COMPUTER vision , *IMAGE processing , *FEATURE extraction , *MACHINE learning , *DEEP learning - Abstract
Hand-crafted features are efficient methods for image processing, recognition, and computer vision. However, the advancements in data size and image resolution lead to inconvenience in feature extraction. Moreover, they are unstable, method-dependent, and computationally intensive due to high dimensions. Especially, big data on image datasets causes unpredictable long process. It is a definite necessity to adjust the feature extraction algorithms to computer-assisted methods for image processing. Generative representational learning algorithms have been emerging approaches with the advantages of Deep Learning. In this study, I proposed employing Deep Belief Networks (DBN) for breast cancer diagnosis on ROI images. DBN models were iterated on different image sizes to evaluate the impact of dimensionality on ROI images. The proposed DBN model has achieved performance rates of 96.32%, 96.68%, 95.93%, and 96.40% for accuracy, specificity, sensitivity, and precision, respectively. Consequently, the proposed DBN with detailed representational learning is an efficient and robust algorithm for the classification of breast cancer and healthy tissues on mammograms by the advantage of generative architectures. [ABSTRACT FROM AUTHOR]
- Published
- 2022
- Full Text
- View/download PDF
6. Comparison of Deep Learning Models in Carotid Artery Intima-Media Thickness Ultrasound Images: CAIMTUSNet.
- Author
-
SAVAŞ, Serkan, TOPALOĞLU, Nurettin, KAZCI, Ömer, and KOŞAR, Pınar NERCİS
- Abstract
Copyright of International Journal of InformaticsTechnologies is the property of Institute of Informatics, Gazi University and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
- Published
- 2022
- Full Text
- View/download PDF
7. Counting and Classification of Seed Using Machine Learning Methods.
- Author
-
Çetin, Selçuk, Nar, Hakan, and Kızıl, Ünal
- Subjects
DEEP learning ,MACHINE learning ,AGRICULTURAL productivity ,ARTIFICIAL intelligence ,IMAGE processing - Abstract
Copyright of COMU Journal of Agriculture Faculty / ÇOMÜ Ziraat Fakültesi Dergisi is the property of Canakkale Onsekiz Mart University and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
- Published
- 2022
- Full Text
- View/download PDF
8. Automated Real Time Detection of Suspicious Appearances using Deep Learning.
- Author
-
TURSUN, Melek and ÇETİN, Ömer
- Subjects
- *
DECISION support systems , *DEEP learning , *MACHINE learning , *TELEVISION in security systems , *SPORTS facilities - Abstract
Security camera systems especially in public areas such as airports, courthouses or sports facilities etc. are used to find fugitive persons or detect suspicious behaviors manually under the monitoring of an operator. In hallway-like sections in public facilities, repeated appearances of an unknown ordinary person in a short span of time can be defined as suspicious behavior. However, the fact that multiple cameras are monitored by a single operator makes it harder to detect suspicious behaviors especially in crowded fields. Therefore, support decision systems are required to support operator. If individuals are detected on images automatically and their appearances on the camera are recorded on a database by giving them a temporary identity, suspicious behaviors can be reported to an operator as a support decision system. For this reason, two different methods are used together as a hybrid solution in the study; a MTCNN based facial detection is used on the real time security camera images that currently provide face images, and an identification method, created with facial landmarks produced with a deep learning algorithm that was trained with res-net, was used on the obtained person's face images. It has been presented that suspicious behaviors can be detected by interpreting the temporary identity information that was obtained. The success of the application was experimentally tested, and the causes of success and failures in the results were discussed. [ABSTRACT FROM AUTHOR]
- Published
- 2021
9. DERİN SİNİR AĞLARI YARDIMIYLA FOTOMONTAJ TESPİTİ.
- Author
-
ÖZMEN, Nihat Eren and BULUŞ, Ercan
- Subjects
DEEP learning ,CONVOLUTIONAL neural networks ,MACHINE learning ,FORGERY ,IMAGE processing ,SIGNAL convolution - Abstract
Copyright of SDU Journal of Engineering Sciences & Design / Mühendislik Bilimleri ve Tasarım Dergisi is the property of Journal of Engineering Sciences & Design and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
- Published
- 2020
- Full Text
- View/download PDF
10. Modeling of damage detection with machine learning
- Author
-
Pişkin, Nuh Muhammed, Ercan, Emre, and Ege Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Ana Bilim Dalı
- Subjects
Machine Learning ,Nesne Segmentasyon ,Deep Learning ,Object Segmenta ,Görüntü İşleme ,Image Processing ,Structural Health Monitoring ,Derin Öğrenme ,Nesne Sınıflandırma ,Makine Öğrenmesi ,Yapısal Sağlık İzleme ,Object Classification - Abstract
Yapısal elemanların hasar görmesi sonucu gerek can kayıpları gerekse mal kayıpları nedeniyle sosyolojik ve ekonomik birçok sorunu beraberinde getirmektedir. Bu sebeple hasar görmüş yapılardaki hasar tespiti ciddi boyutlara ulaşmadan tespit edilmesi önem taşımaktadır. Hasar tespitinde birçok teknik kullanılabilmektedir. Bu tekniklerden hızlı uygulanabilirliği açısından ve geniş alanlarda kullanım kolaylığı sağlamasından dolayı görüntü tabanlı yöntemler kullanılmaktadır. Tez çalışmasında makine öğrenmesi metotları ile görüntü tabanlı analiz yapan yapay zekâ modelleri geliştirilmiştir. Makine öğrenmesi metotlarından olan derin öğrenme algoritmaları ile iki farklı görüntü işleme algoritması geliştirilmiştir. Yapılan ilk çalışmada çatlak görüntüsü üzerinde çatlak sınıflandırma yapan 3 farklı mimaride derin öğrenme modeli eğitilerek karşılaştırılmıştır. Yapılan ikinci çalışmada çatlak segmentasyonu yani görüntü verisi üzerinde bulunan çatlak bölgelerinin piksellerinin tespitini gerçekleştirebilen bir segmentasyon modeli geliştirilmiştir. Sınıflandırma çalışmasında farklı mimariler ile yapılan çatlak sınıflandırma modellerinin birbirlerine göre farklılıkları değerlendirilmiştir. Geliştirilen çatlak segmentasyon modeli kameradan anlık çatlak tespiti yapabilen mobil uygulama haline getirilmiştir., As a result of the damage to the structural elements, it brings with it many sociological and economic problems due to both loss of life and loss of property. For this reason, it is important to detect the damage in damaged structures before they reach serious dimensions. Many techniques can be used in damage assessment. Among these techniques, image-based methods are used because of their rapid applicability and ease of use in large areas. In the thesis study, artificial intelligence models that make image-based analysis with machine learning methods have been developed. Two different image processing algorithms have been developed with deep learning algorithms, which is one of the machine learning methods. In the first study, 3 different architectures that perform crack classification on the crack image were compared by training the deep learning model. In the second study, a segmentation model was developed that can detect the crack segmentation, that is, the pixels of the crack regions on the image data. In the classification study, the differences between the crack classification models made with different architectures were evaluated. The developed crack segmentation model has been turned into a mobile application that can detect instant cracks from the camera.
- Published
- 2022
11. Segmentation of teeth region and teeth boundaries via machine learning and deep learning in panoramic X-ray dental images
- Author
-
Güven, Ali, Yetik, İmam Şamil, TOBB ETÜ, Fen Bilimleri Enstitüsü, TOBB Ekonomi ve Teknoloji Üniversitesi Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Lisansüstü Programı, and TOBB University of Economics and Technology Graduate School of Engineering and Science, Electrical and Electronics Engineering Graduate Programs
- Subjects
Image segmentation ,Görüntü bölütlemesi ,Panoramik X-Ray diş görüntüleri ,Diş tespiti ,Derin Öğrenme ,Dental panoramic X-Ray images ,Makine öğrenmesi ,Teeth segmentation ,Deep Learning ,Image processing ,Machine learning ,Deforme olabilen şekil uydurma ,Görüntü işleme ,Diş bölütlemesi ,Teeth detection ,Deform-able shape fitting - Abstract
Panoramik X-Ray diş görüntülerinden dişlerin olduğu bölgenin ve dişleri bölütlenmesi, çeşitli hastalıkların belirlenmesi için önemli hale gelmiş bulunmaktadır. Özellikle son dönemde gelişen teknoloji ile birlikte çalışmalara dahil olmaya başlayan Yapay Zeka (AI) temelli yapılar, hem dişlerin tespiti ve bölütlenmesi sürecini kısaltmayı hem de diş hekimlerine karar destek yapıları oluşturarak yanlış teşhisi ortadan kaldırmayı amaçlamaktadır. Ham görüntülerdeki diş olmayan piksellerin diş olan piksellere göre fazla olması ve görüntülerdeki kontrast ve renk seviyesinin bölgesel olarak farklılık göstermemesi görüntü işlemeyi zorlaştırmaktadır. Bu tezin amacı, panoramik x-ray görüntülerindeki dişlerin olduğu bölgeyi ve dişleri otomatik olarak bölütleyebilmektir. İlk olarak, görüntülerin boyutlarını hem her görüntü için sabit olması hem de işlemsel olarak hızlı sonuçlar almak için düşürerek alt-örnekleme yapılmıştır. Sonraki aşamada, görüntülerdeki diş alanının merkez noktası otomatik olarak belirlenmiştir. Daha sonra piksellerin yeğinlik değerleri, bulunan merkez noktasına göre x koordinatı, bulunan merkez noktasına göre y koordinatı ve 3x3 penceresinde maksimum ve minimum değerlerin çıkarılmasıyla elde edilen öznitelikler kullanılarak diş bölgesinin bölütlenmesi gerçekleştirilmiştir. Bunun için bir Makine Öğrenme (ML) algoritması olan CatBoost algoritması kullanılmıştır. Makine Öğrenme (ML) modeli oluşturulurken, veri setinin ezberlenmesini önlemek için eğitim veri setinin k-kat çapraz doğrulaması ve hiper parametrelerin ızgara arama optimizasyonu yöntemleri uygulanmıştır. Diş bölgesini tam olarak bölütleyebilmek için makine öğrenmesi modelinden elde edilen her sonucun üzerinde ağız bölgesinin deforme olabilen şekiller uydurulmuştur. Bu sayede diş bölgesi içinde bulunmayan piksellerden kurtulunmuş ve diş bölgesi bölütlemesi yapılmıştır. Diş bölgesini bölütledikten sonra Derin Öğrenme (DL) modeli oluşturulup bu modele sadece bölütlenen diş bölgeleri giriş olarak verilmiştir. Model içinde karalılığı sağlamak ve işlem hızını arttırmak amacıyla elde edilen bölütlenmiş diş bölgeleri görüntülerinin boyutları düşürülerek alt-örnekleme yapılmıştır. Derin Öğrenme (DL) sonucunda her görüntü üzerinde dişlere ait olan bir pencere elde edilmiştir. Her pencere içindeki dişlerin tam bölütlenmesi için Tony F. Chan ve Luminita Vese (Chan-Vese) algoritması uygulanmıştır. Bu sayede pencereler dişlerin şeklinde küçültülmüş ve bölütmele işlemi yapılmıştır. Sonuçlar, Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) için öğrenme eğrisi; dişlere ait olan piksellerin doğruluğunu ölçmek için F1, doğruluk, hatırlama ve kesinlik skorları kullanılarak analiz edilmiştir., Segmentation of the region of the teeth and segmentation of the teeth from the dental panoramic X-Ray images have become important tasks in determining various diseases. Artificial Intelligence (AI) based structures, which have started to be included in the studies with the technology that has developed recently, aim to both shorten the process of detection and segmentation of the teeth and eliminate the misdiagnosis by creating decision support structures for the dentists. It becomes difficult to process images because the number of non-tooth pixels is higher than the number of tooth pixels, and the contrast and color level in the images do not differ regionally. The main goal of this thesis is to be able to automatically segment the region of the teeth and the teeth in panoramic X-Ray images. Firstly, down-sampling was done by reducing the size of the images both to be fixed for each image and to obtain fast results in terms of computational process. In the next stage, the center point of the tooth area in the images is determined automatically. Segmentation of the region of the teeth was performed by using obtained feature set. The feature set includes intensity values of pixels, x-coordinate relative to the center point of the tooth area, y-coordinate relative to the center point of the tooth area, and the pixel values obtained by subtraction of maximum and minimum values in 3x3 window. CatBoost algorithm was used for Machine Learning (ML). While making the Machine Learning (ML) model, k-fold cross-validation and grid search optimization of hyper parameters methods were applied to prevent over-fitting of the data set. In order to fully segment the tooth region, the deform-able shapes of the mouth region are fit on each result obtained from the machine learning model. In this way, the pixels that are not in the tooth region are eliminated and the tooth region is segregated. After segmentation of the tooth region, the Deep Learning (DL) model was made and only the tooth regions that were segmented were given as an input to this model. In order to ensure the stability in the model and increase the processing speed, the down-sampling was performed by reducing the size of the segmented tooth regions obtained. As a result of Deep Learning (DL), a window belonging to the teeth was obtained on each image. Tony F. Chan and Luminita Vese (Chan-Vese) algorithm applied for the complete segmentation of the teeth in each window. In this way, the windows were reduced in the shape of the teeth and segmentation was done. The results was analyzed by using learning curve for Machine Learning (ML) and Deep Learning (DL) and by looking F1, accuracy, recall, and precision scores.
- Published
- 2020
12. Görüntüler üzerinde öznitelik çıkarma ve seçimine odaklı bir örüntü tanıma çerçevesi geliştirilmesi
- Author
-
Taşci, Arif Erdal, Uğur, Aybars, Fen Bilimleri Enstitüsü, and Bilgisayar Mühendisliği Anabilim Dalı
- Subjects
Feature ,Optimization ,Machine learning methods ,Örüntü Tanıma ,Image Processing ,Derin Öğrenme ,Deep learning ,Pattern Recognition ,Computer Engineering and Computer Science and Control ,Feature Extraction ,Veri Madenciliği ,Machine Learning ,Eniyileme ,Deep Learning ,Image processing ,Öznitelik Seçimi ,Pattern recognition ,"null" ,Data Mining ,Öznitelik Çıkarma ,Feature Selection ,Görüntü Işleme ,Makine Öğrenmesi ,Data mining ,Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol - Abstract
Günümüzde dijital görüntülerin sayısı, teknolojik imkânların ve aygıtların kullanılması ile birlikte giderek artış göstermektedir. Görüntü türlerinin bilgisayar destekli sınıflandırılması tıp, güvenlik, otomasyon gibi pek çok uygulama alanında yaygın olarak kullanılmaktadır. Öznitelik çıkarma ve seçimi, örüntü tanıma sürecinin alt aşamaları olarak sınıflandırma başarımını artırmak açısından oldukça önem taşımaktadır. Tez çalışmasında, görüntüler üzerinde öznitelik çıkarma ve seçimi aşamalarının her ikisini de içeren bir örüntü tanıma çerçevesi geliştirilmiştir. Çerçevenin ilk alt modelinde, sadece manuel öznitelik çıkarma yöntemleri kullanılmıştır. Bu modelde, 4 tanesi merkez noktasına göre ikiye ayrılmış görüntülerden türetilen özgün öznitelikler olmak üzere, 194 adet öznitelik çıkarmayı sağlayan geniş bir yöntem kümesi oluşturulması literatüre yapılan katkılardandır. Öznitelik seçimi aşamasında ise genetik algoritmalardan yararlanılmıştır. Literatüre diğer bir katkı olarak geliştirilen ikinci alt modelde ise, derin öğrenme kullanılarak çıkarılan öznitelik kümesi de ilk alt modele eklenerek sistem genişletilmiş ve böylece tanıma performansı artırılmıştır. Tez kapsamında, manuel olarak 194, derin öğrenmeyle 4096 olmak üzere toplamda 4290 öznitelik çıkarmayı sağlayan bir çatı oluşturulmuş, deneysel çalışmalarda Flavia ve Caltech-101 verisetleri kullanılmıştır. Her iki verisetinde en iyi sınıflandırma başarımının ECOC-SVM modeli ile sağlandığı ve literatürdeki en iyi sonuçlara göre karşılaştırılabilir olduğu gösterilmiştir., Nowadays, the number of digital images is increasing gradually with the use of technological possibilities and devices. Computer aided classification of image types is widely applied in many applications such as medicine, security, automation. The feature extraction and selection stages have great importance in terms of increasing the classification performance as the substages of the pattern recognition process. In the thesis, a pattern recognition framework including both of feature extraction and selection stages on images is developed. In the first submodel of the framework, only manual feature extraction methods are used. In this model, making up a large set of methods for extracting 194 features, 4 of which are novel ones derived from images divided into two sections according to the center point, is one of the contributions to the literature. Genetic algorithms are utilized in the feature selection stage. In the second submodel, which is developed as another contribution to the literature, the system is extended by adding the feature set extracted by using deep learning to the first submodel, thus recognition performance is improved. In the scope of the thesis, a framework was created for extracting total of 4290 features (194 handcrafted and 4096 deep learning features), Flavia and Caltech-101 datasets were used in the experimental studies. It is shown that the best classification performance for two datasets is provided with the ECOC-SVM model and it is competetive compared to the existing state-of-the-art results in the literature.
- Published
- 2018
13. Mikroskopik görüntüler üzerinde derin öğrenme algoritmaları kullanarak hastalıklı hücrelerin otomatik tanımlanması
- Author
-
Büyükyılmaz, Mücahit, Çıbıkdiken, Ali Osman, Endüstri Mühendisliği Anabilim Dalı, Danışman: 139883, and NEÜ, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı
- Subjects
Deep Learning ,Image processing ,Machine learning ,Görüntü işleme ,Sınıflandırma ,Classification ,Makine öğrenmesi ,Computer Engineering and Computer Science and Control ,Derin öğrenme ,Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol - Abstract
Eimeria parazit türlerini otomatik olarak algılamak ve hastalıklı olup olmadığını tespit etmek amacıyla, Çok Katmanlı Sinir Ağı ve Konvolüsyonel Sinir Ağı derin öğrenme algoritması kullanılarak bir model mimarisi geliştirilmiştir. Modele girdi olarak tavuk ve tavşanlara ait Eimeria mikroskobik görüntüleri kullanılmıştır. Görüntülerin işlenmesinde OpenCV kütüphanesi'nden faydalanılmıştır. Keras ve Theano kütüphaneleri kullanılarak farklı modeller oluşturulmuş ve testler yapılmıştır. Oluşturulan modeller eğitilerek elde edilen sonuçların test edilebilmesi için, yüklenen mikroskobik görüntüler için sınıflandırma yapan bir web arayüzü geliştirilmiştir. Model sonucunda tavuk veri seti için %87.75 doğruluk oranıyla, tavşan veri seti için %78.42 doğruluk oranıyla hastalıklı hücreler sınıflandırılabilmektedir., A model architecture has been developed using the Multi-Layer Neural Network and the Convolutional Neural Network deep learning algorithm to automatically detect Eimeria parasite species and determine if they are diseased. Eimeria microscopic images of chickens and rabbits were used as model inputs. Images have been processed in the OpenCV library. Different models has been obtained using by Keras and Theano libraries. An application with web user interface has been developed that classifies the obtained model for the run and loaded the microscopic image. As a result of models, cell images can be classified with an accuracy of %87.75 for chicken dataset, %78.42 for rabbit dataset.
- Published
- 2017
14. Panoramik X-ray diş görüntülerinde diş bölgesinin ve dişlerin makine öğrenimi ve derin öğrenme ile bölütlenmesi
- Subjects
Image segmentation ,Görüntü bölütlemesi ,Panoramik X-Ray diş görüntüleri ,Diş tespiti ,Derin Öğrenme ,Dental panoramic X-Ray images ,Makine öğrenmesi ,Teeth segmentation ,Deep Learning ,Image processing ,Machine learning ,Deforme olabilen şekil uydurma ,Görüntü işleme ,Diş bölütlemesi ,Teeth detection ,Deform-able shape fitting - Abstract
Panoramik X-Ray diş görüntülerinden dişlerin olduğu bölgenin ve dişleri bölütlenmesi, çeşitli hastalıkların belirlenmesi için önemli hale gelmiş bulunmaktadır. Özellikle son dönemde gelişen teknoloji ile birlikte çalışmalara dahil olmaya başlayan Yapay Zeka (AI) temelli yapılar, hem dişlerin tespiti ve bölütlenmesi sürecini kısaltmayı hem de diş hekimlerine karar destek yapıları oluşturarak yanlış teşhisi ortadan kaldırmayı amaçlamaktadır. Ham görüntülerdeki diş olmayan piksellerin diş olan piksellere göre fazla olması ve görüntülerdeki kontrast ve renk seviyesinin bölgesel olarak farklılık göstermemesi görüntü işlemeyi zorlaştırmaktadır. Bu tezin amacı, panoramik x-ray görüntülerindeki dişlerin olduğu bölgeyi ve dişleri otomatik olarak bölütleyebilmektir. İlk olarak, görüntülerin boyutlarını hem her görüntü için sabit olması hem de işlemsel olarak hızlı sonuçlar almak için düşürerek alt-örnekleme yapılmıştır. Sonraki aşamada, görüntülerdeki diş alanının merkez noktası otomatik olarak belirlenmiştir. Daha sonra piksellerin yeğinlik değerleri, bulunan merkez noktasına göre x koordinatı, bulunan merkez noktasına göre y koordinatı ve 3x3 penceresinde maksimum ve minimum değerlerin çıkarılmasıyla elde edilen öznitelikler kullanılarak diş bölgesinin bölütlenmesi gerçekleştirilmiştir. Bunun için bir Makine Öğrenme (ML) algoritması olan CatBoost algoritması kullanılmıştır. Makine Öğrenme (ML) modeli oluşturulurken, veri setinin ezberlenmesini önlemek için eğitim veri setinin k-kat çapraz doğrulaması ve hiper parametrelerin ızgara arama optimizasyonu yöntemleri uygulanmıştır. Diş bölgesini tam olarak bölütleyebilmek için makine öğrenmesi modelinden elde edilen her sonucun üzerinde ağız bölgesinin deforme olabilen şekiller uydurulmuştur. Bu sayede diş bölgesi içinde bulunmayan piksellerden kurtulunmuş ve diş bölgesi bölütlemesi yapılmıştır. Diş bölgesini bölütledikten sonra Derin Öğrenme (DL) modeli oluşturulup bu modele sadece bölütlenen diş bölgeleri giriş olarak verilmiştir. Model içinde karalılığı sağlamak ve işlem hızını arttırmak amacıyla elde edilen bölütlenmiş diş bölgeleri görüntülerinin boyutları düşürülerek alt-örnekleme yapılmıştır. Derin Öğrenme (DL) sonucunda her görüntü üzerinde dişlere ait olan bir pencere elde edilmiştir. Her pencere içindeki dişlerin tam bölütlenmesi için Tony F. Chan ve Luminita Vese (Chan-Vese) algoritması uygulanmıştır. Bu sayede pencereler dişlerin şeklinde küçültülmüş ve bölütmele işlemi yapılmıştır. Sonuçlar, Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) için öğrenme eğrisi; dişlere ait olan piksellerin doğruluğunu ölçmek için F1, doğruluk, hatırlama ve kesinlik skorları kullanılarak analiz edilmiştir., Segmentation of the region of the teeth and segmentation of the teeth from the dental panoramic X-Ray images have become important tasks in determining various diseases. Artificial Intelligence (AI) based structures, which have started to be included in the studies with the technology that has developed recently, aim to both shorten the process of detection and segmentation of the teeth and eliminate the misdiagnosis by creating decision support structures for the dentists. It becomes difficult to process images because the number of non-tooth pixels is higher than the number of tooth pixels, and the contrast and color level in the images do not differ regionally. The main goal of this thesis is to be able to automatically segment the region of the teeth and the teeth in panoramic X-Ray images. Firstly, down-sampling was done by reducing the size of the images both to be fixed for each image and to obtain fast results in terms of computational process. In the next stage, the center point of the tooth area in the images is determined automatically. Segmentation of the region of the teeth was performed by using obtained feature set. The feature set includes intensity values of pixels, x-coordinate relative to the center point of the tooth area, y-coordinate relative to the center point of the tooth area, and the pixel values obtained by subtraction of maximum and minimum values in 3x3 window. CatBoost algorithm was used for Machine Learning (ML). While making the Machine Learning (ML) model, k-fold cross-validation and grid search optimization of hyper parameters methods were applied to prevent over-fitting of the data set. In order to fully segment the tooth region, the deform-able shapes of the mouth region are fit on each result obtained from the machine learning model. In this way, the pixels that are not in the tooth region are eliminated and the tooth region is segregated. After segmentation of the tooth region, the Deep Learning (DL) model was made and only the tooth regions that were segmented were given as an input to this model. In order to ensure the stability in the model and increase the processing speed, the down-sampling was performed by reducing the size of the segmented tooth regions obtained. As a result of Deep Learning (DL), a window belonging to the teeth was obtained on each image. Tony F. Chan and Luminita Vese (Chan-Vese) algorithm applied for the complete segmentation of the teeth in each window. In this way, the windows were reduced in the shape of the teeth and segmentation was done. The results was analyzed by using learning curve for Machine Learning (ML) and Deep Learning (DL) and by looking F1, accuracy, recall, and precision scores.
Catalog
Discovery Service for Jio Institute Digital Library
For full access to our library's resources, please sign in.