Fen Bilimleri Enstitüsü / Science Institute
Permanent URI for this collectionhttps://hdl.handle.net/11727/1392
Browse
5 results
Search Results
Item Derin öğrenme ve makine öğrenme teknikleri kullanılarak göz hastalıklarının tespiti(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Arslan, Gözde; Erdaş, Çağatay BerkeGöz hastalıkları insan yaşamını ciddi derecede etkileyen sağlık sorunlarından biridir. Göz hastalıkları arasında bulunan katarakt, diyabetik-retinopati, glokom gibi hastalıklar görme bozukluğuna ve geri dönüşü olmayan göz kusurlarına neden olur. İnsan yaşamında genetik, yaş ve çevresel faktörler göz sağlığını önemli ölçüde etkiler. Hastalık tespitin yapılması ve dolayısıyla hastanın yaşam kalitesinin yükseltilebilmesi için hastalığın doğru bir şekilde tespiti kritik bir rol oynamaktadır. Gelişen teknoloji ile yapay zeka göz kusurlarını ve dolayısıyla ilgili gözde bir hastalık olup olmadığını tespit edebilmektedir. Bu tez çalışması, önemli sağlık sorunlarından göz hastalıklarının derin öğrenme modelleri ve makine öğrenmesi algoritmaları kullanılarak tespit edilmesine yönelik çözümler geliştirmeyi amaçlamaktadır. Bu çalışmada derin öğrenme türlerinden biri olan Konvolüsyonel Sinir Ağları modelleri ve makine öğrenme algoritmaları kullanılmıştır. Hastalık başarısının tahmini ve sınıflandırılmasında geleneksel makine öğrenmesi algoritmalarından Destek Vektörü Makinesi, Naive Bayes Sınıflandırıcısı, K-En Yakın Komşu, Rastgele Orman kullanılmıştır. CNN modelinden DenseNet, EfficientNet, VGG, ResNet ve Xception mimarileri kullanılmıştır. Çoklu sınıflandırma probleminde, hastalık tespiti için kullanılan veri setinde 1074 normal, 1007 glokom, 1098 diyabetik-retinopati, 1038 katarakt verileri olmak üzere toplamda 4217 Retinal Fundus görüntüsü içermektedir. İkili sınıflandırma probleminde, hastalık tespiti için kullanılan veri setinde 1374 normal ve 1374 hastalıklı veriler olmak üzere toplamda 2748 Retinal Fundus görüntüsü içermektedir. Retinal Fundus göz hastalığı sınıflandırması çalışmasında ise hazır CNN mimarileri ve makine öğrenme ile mevcut probleme uyarlanarak deneyler yürütülmüş ve performansları karşılaştırılmıştır. CNN mimarilerinin konvolüsyonel katmalarında otomatik olarak üretilen öznitelikler makine öğrenme sınıflandırıcılarını beslemek için kullanılmıştır. Tespit ve sınıflandırma çalışmalarında elde edilen performanslara göre derin öğrenme mimarilerinin makine öğrenmesi algoritmalarından üstün geldiği gözlemlenmiştir. Eye diseases are one of the health problems that seriously affect human life. Diseases such as cataract, diabetic-retinopathy, glaucoma, which are among the eye diseases, cause visual impairment and irreversible eye defects. Genetic, age and environmental factors significantly affect eye health in human life. Accurate detection of the disease plays a critical role in detecting the disease and thus improving the quality of life of the patient. With the developing technology, artificial intelligence can detect eye defects and therefore whether there is a disease in the related eye. This thesis study aims to develop solutions for the detection of eye diseases, which are important health problems, by using deep learning models and machine learning algorithms. In this study, Convolutional Neural Network models, which is one of the deep learning types, and machine learning algorithms were used. In the prediction and classification of disease success, Support Vector Machine, Naive Bayes Classifier, K-Nearest Neighbor, Random Forest, which are traditional machine learning algorithms, were used. DenseNet, EfficientNet, VGG, ResNet and Xception architectures from the CNN model were used. In the multi-classification problem, the data set used for disease detection includes a total of 4217 Retinal Fundus images, 1074 normal, 1007 glaucoma, 1098 diabetic-retinopathy, 1038 cataract data. In the binary classification problem, the data set used for disease detection includes a total of 2748 Retinal Fundus images, 1374 normal and 1374 diseased data. In the retinal fundus eye disease classification study, experiments were carried out by adapting them to the existing problem with ready-made CNN architectures and machine learning, and their performances were compared. Automatically generated features in convolutional layers of ready-made CNN architectures are used to feed machine learning classifiers. According to the performances obtained in detection and classification studies, it has been observed that deep learning architectures are superior to machine learning algorithms.Item İnsan hareketlerinin kinect sensör kullanılarak sınıflandırılması(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Açış, Büşra; Güney, SeldaSon yıllarda sağlık ve güvenlik gibi birçok alanda insan hareketlerini sınıflandırmaya yönelik çalışmalar yapılmaktadır. Son yıllarda kullanım alanı daha çok gelişen görüntü işleme ve sınıflandırma algoritmaları bu alanda da kullanılmaya başlanmıştır. Bu sınıflandırma algoritmalarının öncül yöntemleri makine öğrenmesi ve derin öğrenmedir. Bu çalışmada, Kinect sensör kullanılarak elde edilen veri seti üzerinde insan hareketlerinin sınıflandırılması yapılmıştır. Kullanılan veri seti içerisinde gerçek zamanlı insan duruş bilgilerinin ve görüntülerinin bulunduğu literatürde hazır halde bulunan CAD60 veri setidir. Bu veri setinde, farklı insanların farklı hareketlerini/duruşlarını içeren veriler bulunmaktadır. Bu çalışma kapsamında, MATLAB uygulaması kullanılarak derin öğrenme tabanlı ve makine öğrenme tabanlı yöntemlerle insan hareketlerini sınıflandırma yapılmıştır. Ham veri seti üzerinde, geriye doğru öznitelik seçme (BFS) ile elde edilen verilerle ve Uzun Kısa Süreli Bellek (Long Short Term Memory – LSTM) ile öznitelik çıkarma ile elde edilen verilere makine öğrenmesi tabanlı metotlar uygulanarak sınıflandırma çalışmaları yapılmıştır. Bunu yanı sıra LSTM, Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) ile sıfırdan öğrenme (learn from scratch) ve öğrenme aktarımı (transfer learning) yöntemi ile insan hareketleri sınıflandırılmıştır. Bu altı yöntemin sonunda elde edilen başarı değerleri birbirleri ile kıyaslanmıştır ve maksimum başarı değeri LSTM ile öznitelik çıkarma yönteminde elde edilmiştir. In recent years, studies have been carried out to classify human movements in many areas such as health and safety. Image processing and classification algorithms, which have been used more in recent years, have started to be used in this field as well. The predecessor methods of these classification algorithms are machine learning and deep learning. In this study, the classification of human movements was made on the data set obtained using the Kinect sensor. It is the CAD60 dataset, which is available in the literature, which contains real-time human posture information and images in the data set used. In this dataset, there are data containing different movements/stances of different people. Within the scope of this study, human movements were classified using deep learning-based and machine learning-based methods using MATLAB application. Classification studies were carried out by applying machine learning-based methods to the data obtained by backward feature selection (BFS) and feature extraction with Long Short Term Memory (LSTM) on the raw data set. In addition, human movements are classified with LSTM, Convolutional Neural Networks (CNN), learn from scratch and transfer learning method. The success values obtained at the end of these six methods were compared with each other and the maximum success value was obtained in the feature extraction method with LSTM.Item Kalite kontrol sistemi için derin öğrenme tabanlı bir model önerisi(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Çelik, YarenAhşap hammaddeler günümüzde birçok endüstride yaygın olarak kullanılmaktadır. Ahşap hammadde üzerinde olan ve gözden kaçan istenmeyen görüntüler elde edilen ürünü görsel ve dayanıklılık açısından negatif etkilemekte, satışını engellemektedir. Bu nedenle bu tür hammaddelerin üretim sürecine girmeden belirlenmesi veya üretim hattına kurulacak bir otomasyon sistemi ile hatalı hammaddelerin belirlenerek üretim dışında bırakılması istenir. Kusurlu hammaddenin elle ve gözle kontrolü zor ve yanıltıcıdır. Sürekli gelişen dijital teknoloji ve sistemler sayesinde bu tür kontroller için otomasyon sistemleri geliştirilmektedir. Son yıllarda araştırmacılar görüntü işleme tabanlı denetim sistemlerini kullanarak kalite kontrol uygulamaları geliştirmektedirler. Bu teknolojiler sayesinde hammadde üzerinde olan kusurlar üretimin erken aşamalarında fark edilerek oluşacak son ürünün kusurlu veya hatalı olması engellenebilir. Böylece işgücü ve malzeme kayıpları nedeniyle oluşacak maliyetler ve harcanan zaman azaltılabilmektedir. Bu çalışmada, üretim hattı üzerinde kurulacak özel bir kamera sistemi ile elde edilen görüntüler üzerindeki kusurları belirleyecek model derin öğrenme yöntemleri ile elde edilmiş ve kusurlu kusursuz ayrımı yapan sistem önerisi geliştirilmiştir. Kusurların tespiti için görüntü işlemede ayrım tabanlı bir yöntem olan Evrişimsel Sinir Ağı (ESA), en uygun yöntemlerden biri olması nedeniyle tercih edilmiştir. Ayrıca ShuffleNet, AlexNet, GoogleNet gibi farklı ESA mimarileri ve parametreleri denenerek probleme en uygun olan mimari belirlenmeye çalışılmıştır. Ahşap ürünlerinde kusurlu ve kusursuz ayrımı yapan kalite kontrol sistemleri için çalışmada dikkate alınan ESA yönteminde, MobileNet, DenseNet ve Inception mimarileri umut verici sonuçlar vermektedir. Ayrıca ESA yöntemi denemelerine görüntü çoğaltma ve görüntü iyileştirme yöntemleri hem ayrı ayrı hem de bir arada eklenerek bu yöntemlerin performans metriklerini nasıl etkilediği incelenmiştir. Yapılan her denemede parametreler değiştirilmiş performans metrikleri üzerindeki etkileri incelenmiştir. Böylece en iyi performansı veren parametre seti ile ESA mimarisine karar verilmiştir. Wood as a raw material is currently used in many industries. Unsightly texture and other defects on the wood make it less visually appealing and impact its durability as a material. Blemishes on the wood reduce its value, and defective material should be identified and removed from production. Since it’s difficult to spot defects through visual or manual inspection, an automated system integrated into the production system is a viable option. With the help of advanced digital technology, automated systems for such controls are being developed. In recent years, researchers have been developing quality control applications using image processing-based inspection systems. By means of these technologies, defects in the raw material can be spotted in the early stages of production. Early identification of defects will prevent the production of faulty end products and will reduce labor and material losses in production. In this study, an integrated system is proposed to identify defective material. The proposed system acquires images of the raw material through a special camera installed on the production line. Digital images will be analyzed by deploying deep learning methods, and defective materials will be set apart. Convolutional Neural Network (CNN), a distinction-based method in image processing for detecting defects, was preferred because of its suitability. In addition, different CNN architectures such as ShuffleNet, AlexNet, GoogleNet, and parameters associated with these architectures were tested to identify the most suitable architecture for this problem. In the CNN method, considered in the study for quality control systems to separate out defective wood products, MobileNet, DenseNet, and Inception architectures gave promising results. In addition, image augmentation and image enhancement methods were added to the CNN method experiments, both separately and together, and their effect on performance metrics was examined. In each trial, parameters were modified, and the impact of parameters on the performance metrics was examined.Consequently, CNN architecture was selected with the parameter set giving the best performance.Item Sağlıklı, hafif bilişsel bozukluk ve alzheimer hastalığı elektroensefalografi sinyallerinin sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Oltu, Burcu; Akşahin, Mehmet FeyziDemans terimi, beyin hücrelerinin ölümü veya hasar görmesi nedeniyle bilişsel ve davranışsal fonksiyonların bozulması ile karakterize edilen nörodejeneretif bozukluğu tanımlar. Demansın en yaygın görülen türü olan Alzheimer Hastalığı (AH) bilişsel, entelektüel eksiklikler ve davranış bozuklukları ile karakterize edilen progresif bir hastalıktır. Hafif bilişsel bozukluk (HBB) ise yaşları için beklenenin ötesinde bilişsel bozukluk gösteren; fakat AH tanı ölçütlerini karşılayacak kadar kuvvetli semptomlar göstermeyen bireyleri tanımlar. Her yıl yaklaşık %10-15 oranında HBB hastası, AH’ye ilerlemektedir. Bu hastalıkların teşhisi; bilişsel testlerin, fiziksel ve nörolojik muayenelerin, nörogörüntüleme yöntemlerinin, kan ve beyin omurilik sıvısı incelemelerinin sonuçlarının yorumlanmasıyla yapılır. Dolayısıyla tanı süreci zaman alan, hedef hasta popülasyonu için zorlukları olan ve subjektif sonuçlar verebilen bir süreçtir. Bunun yanında demansın erken teşhisi hastalara ve yakınlarına bu süreci planlamaları için zaman tanımaktadır. Aynı zamanda bu hastalıkların tedavisi olmasa da erken evrede başlanan tedavi süreçleri, hastalığın ilerlemesini yavaşlatabilir ve semptomların hafiflemesini sağlayabilir. Bu tez çalışmasında da AH ve HBB’nin tanısını sağlamak için, invaziv olmayan, ucuz, objektif sonuçlar verebilen bir yöntem olan elektroensefalografi (EEG) sinyallerinin kullanılabilirliği araştırılmıştır. Yapılan araştırmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’ndeki uzman doktorlar tarafından yapılan teşhis doğrultusunda gerçek hastalardan toplanan EEG sinyalleri incelenmiştir. Çalışmada EEG sinyalleri, ayrık dalgacık dönüşümü (ADD), güç spektral yoğunluğu (GSY), koherans, sürekli dalgacık dönüşümü (SDD) yöntemleri kullanılarak incelenmiştir. Yapılan incelemeler sonucunda farklı yöntemler için farklı öznitelik çıkarımları yapılmıştır. Ayrık dalgacık yöntemi ile yapılan analizlerde sinyaller 6 alt banda (delta (0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gama (32-48 Hz)) ayrıştırılmış. Elde edilen 6 bandın ortalama, maksimum-minimum değerleri, varyansı ve standart sapması öznitelik seti olarak belirlenmiştir. Ayrıca elde edilen alt bantların GSY’sinin genlik toplamı ve varyansı frekans öznitelikleri olarak belirlenmiştir. Bunun yanında interhemisfer kanal çiftleri arasındaki koherans analizi sonucunda elde edilen normalize alt bant koheransları öznitelik olarak çıkartılmıştır. Son olarak sinyale uygulanan SDD sonucunda elde edilen, alt bant frekanslarına ait katsayıların ortalama, standart sapma ve kendi aralarındaki oranları kullanılarak farklı bir öznitelik seti oluşturulmuştur. Elde edilen öznitelik setlerinin AH, HBB ve sağlıklı kontrol EEG sinyallerini ayrıştırma başarısının ölçülmesi için destek vektör makineleri, k-en yakın komşu, karar ağaçları gibi sınıflandırıcı algoritmaları ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonucunda literatürdeki doğruluk oranlarına göre yüksek ya da aynı seviyede sonuçlar verebilen ve başarılı bir şekilde teşhis koyabilen bir karar destek sistemi geliştirilmiştir. The term dementia refers to neurodegenerative disorder characterized by impaired cognitive and behavioral functions due to death or damage of brain cells. Alzheimer's Disease (AD), the most common form of dementia, is a progressive disorder characterized by cognitive, intellectual deficits and behavioral disorders. Mild cognitive impairment (MCI), on the other hand, refers to individuals with cognitive impairment beyond their expectations for age, but not strong enough to meet the diagnostic criteria for AD. Every year, approximately 10-15 percent of MCI patients progress to AD. Diagnosis of these diseases is made by interpreting the results of cognitive tests, physical and neurological examinations, neuroimaging methods, and blood and cerebrospinal fluid examinations. Therefore, the diagnostic process is time-consuming, has difficulties for the target patient population and can yield to subjective results. In addition, early diagnosis of dementia gives patients and their families time to plan this process. At the same time, even there is no treatment for these diseases, treatment processes initiated at an early stage may slow down the progression of the disease and alleviate the symptoms. In this thesis, we’ve investigated the feasibility of electroencephalography (EEG), a noninvasive, inexpensive, objective method for the diagnosis of AD and MCI. In this study, EEG signals collected from real patients were examined in accordance with the diagnosis made by specialists in Neurology Clinic of Baskent University Ankara Hospital. In this study, EEG signals were examined by using discrete wavelet transform (DWT), power spectral density (PSD), coherence, continuous wavelet transform (CWT) methods. As a result of the investigations, different features were extracted for each different method. In the analysis made by DWT, the signals are decomposed into 6 sub bands (delta (0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gamma (32-48 Hz)). Mean, maximum-minimum values, variance and standard deviation of the 6 sub bands were determined as a feature set. Moreover, the amplitude sum and variance of the PSD of the sub bands obtained were determined as frequency features. In addition, the normalized sub band coherences, obtained as a result of the coherence analysis between the interhemispheric channel pairs, were extracted as a feature set. Finally, a different feature set was formed by using the mean, standard deviation and the ratio of the coefficients of the sub-band frequencies obtained from the CWT analysis of the signal. In order to measure the success of discrimination of AD, MCI and healthy control EEG signals, classification studies were performed with classifier algorithms such as support vector machines, k-nearest neighbor and decision trees. As a result of this study, a decision support system was developed that can diagnose successfully and can yield higher or equal results in the means of accuracy of the literature.Item Multipl skleroz (MS) ve sağlıklı elektroensefalografi sinyallerinin sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Karaca, Büşra Kübra; Akşahin, Mehmet FeyziMultipl Skleroz (MS), merkezi sinir sisteminin otoimmün olduğu düşünülen kronik, inflamatuar bir demiyelinizan hastalığıdır. MS’in erken tanısı hastalığın tedavisi ve seyri için büyük önem taşımaktadır. Klinikte MS tanısı için manyetik rezonans görüntüleme (MRG), beyin omurilik sıvısı (BOS) ve uyarılmış potansiyeller kullanılmaktadır. Kullanılan bu yöntemlerin invaziv veya pahalı olması teşhis için zorluk yaratmaktadır. Hastalığın teşhisi için doğru ve etkili bir yol bulmanın önemi zamanla artmıştır. Bu doğrultuda, MS’de görülen demiyelinizasyon ve aksonal hasar sonucunda beynin serebral korteksinin etkilenmesi ve buna bağlı olarak da nöronların aktivitesinin değişmesi nedeniyle elektroensefalografi (EEG) analizinin hastalığın ön tanısına katkı sağlayacak bir yöntem olabileceği düşünülmektedir. Bunun nedeni, EEG’nin binlerce nöronun senkronize aktivitesi tarafından üretilen elektriksel potansiyeli ölçmesidir. Bu bilgilerden yola çıkılarak, bu çalışmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’nde MS tanısı konulan ve sağlıklı bireylerden alınan EEG sinyalleri analiz edilmiş ve bu iki grubu birbirinden ayırabilecek farklılıklar belirlenmiştir. Bu farklılıklar temel alınarak makine öğrenmesi yaklaşımları ile MS ve sağlıklı bireyleri yüksek doğrulukta sınıflandırabilecek bir yöntem geliştirilmesi amaçlanmıştır. Çalışmanın ilk aşamasında göz kapalı dinlenim durumunda alınan EEG sinyalleri için hemisferler arası ve hemisferler içi kanal çiftleri arasında senkronizasyon analizi gerçekleştirilmiştir. Bu doğrultuda, koherans analizi ve karşılıklı bilgi kestirimi yöntemleri uygulanmıştır. Koherans analizi sonucunda, EEG alt bantlarına (delta, teta, alfa, beta ve gama) karşılık gelen frekans aralıklarının normalize koherans spektrum eğrisinin altında kalan alanları ve kanal çiftlerinin karşılık bilgi değerleri öznitelik olarak belirlenmiştir. Çalışmanın ikinci aşamasında ise 5 Hz, 10 Hz, 15 Hz, 20 Hz ve 25 Hz frekanslarında ışıklı uyarım durumunda alınan EEG sinyallerine sürekli dalgacık dönüşümü yöntemi uygulanmıştır. Analiz sonucunda sırasıyla bu frekans uyarımı bölgelerine karşılık gelen dalgacık dönüşümü katsayıları hesaplanmıştır. Her uyarım bölgesindeki “1-4 Hz” ve “4-13 Hz” frekans aralıklarına karşılık gelen mutlak dalgacık katsayılarının toplamları, maksimumları, standart sapmaları ve minimumları öznitelik olarak belirlenmiştir. Göz kapalı ve ışıklı uyarım EEG sinyalleri için belirlenen öznitelikler kullanılarak k en yakın komşu, destek vektör makinesi, karar ağaçları ve topluluk yöntemleri ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonunda, göz kapalı EEG ve ışıklı uyarım EEG sinyalleri için yüksek doğruluk oranında MS ve sağlıklı ayrımı yapabilen bir karar destek sistemi geliştirilmiştir Multiple Sclerosis (MS) is a chronic, inflammatory demyelinating disease of the central nervous system that is thought to be autoimmune. Early diagnosis of MS is of great importance for the treatment and course of the disease. Magnetic resonance imaging (MRI), cerebrospinal fluid (CSF) and evoked potentials are used in the diagnosis of MS. These methods are invasive or expensive, making it difficult to diagnose. In this respect, electroencephalography (EEG) analysis may be a method that will contribute to the pre-diagnosis of the disease due to the effect of cerebral cortex of the brain as a result of demyelination and axonal damage seen in MS. This is because EEG measures the electrical potential generated by the synchronized activity of thousands of neurons. Based on this information, in this study, EEG signals obtained from healthy individuals diagnosed with MS in Neurology Clinic of Başkent University Ankara Hospital were analyzed and the differences that could distinguish these two groups were determined. Based on these differences, it is aimed to develop a method that can classify MS and healthy individuals with high accuracy by machine learning approaches. In the first stage of the study, synchronization analysis was performed between inter-hemispheric and intra-hemispheric channel pairs for EEG signals taken in eyes closed resting position. As a result of the coherence analysis, the areas of the frequency ranges corresponding to the EEG subbands (delta, theta, alpha, beta and gamma) under the normalized coherence spectrum curve and the mutual information values of the channel pairs were determined as features. In the second stage of the study, continuous wavelet transform method was applied to the EEG signals received in the case of photic stimulation at 5 Hz, 10 Hz, 15 Hz, 20 Hz and 25 Hz frequencies. As a result of this analysis, wavelet transform coefficients corresponding to these stimulation regions were calculated respectively. Sums, maximums, standard deviations and minimums of absolute wavelet coefficients corresponding to frequency ranges “1-4 Hz” and “4-13 Hz” in each stimulation regions were determined as features. Using the features determined for the eye closed and photic stimulation EEG signals, classification studies were performed with the nearest neighbor, support vector machine, decision trees and ensemble methods. At the end of the study, a decision support system was developed for eye-closed EEG and photic stimulation EEG signals that can distinguish MS and healthy at high accuracy rate.