Enstitüler / Institutes

Permanent URI for this communityhttps://hdl.handle.net/11727/1390

Browse

Author: search.filters.author.Açıcı, Koraysearch.filters.applied.f.rights: search.filters.rights.info:eu-repo/semantics/openAccess

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Derin öğrenme teknikleri kullanılarak kemik kırığı tespiti ve sınıflandırması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Açıcı, Koray; Sümer, Emre
    Proksimal femur kırıklarının özellikle yaşlı nüfusu etkileyen ciddi bir sağlık sorunu olduğu bilinmektedir. Önümüzdeki yıllarda artan nüfusla birlikte vaka sayısının ikiye katlanacağı tahmin edilmektedir. Femoral kırıkların teşhisi için düz frontal pelvik radyografiler (PXR'ler) düşük maliyetleri nedeniyle yaygın olarak kullanılmaktadır. Ne yazık ki, tüm kalça kırıklarının %2'sinin PXR ile teşhis edilemediği belirtilmektedir. Bu durum yanlış tanıya yol açmakta, iyileşme sürecini engellemekte, tedavi maliyetlerini artırmakta ve hastaların yaşam kalitelerini düşürmektedir. Bu nedenle, kanonik makine öğrenimi algoritmalarının ve derin öğrenme mimarilerinin kırık tespiti ve sınıflandırmasında kullanımı, doğru teşhis ve tedaviye yardımcı olmak için artmaktadır. Buradan yola çıkılarak, tez çalışması kapsamında femur boyun kırığı tespiti ve femur kırığı sınıflandırması çalışmaları gerçekleştirilmiştir. Femur boyun kırığı tespiti çalışmasında sıfırdan bir CNN mimarisi önerilerek tasarlanmış ve dengeli ve dengesiz iki veri kümesi üzerinde deneyler yapılmıştır. GA ve PSO üst-sezgisel optimizasyon algoritmaları kullanılarak, önerilen CNN mimarisinin evrişimsel katmanlarındaki filtre boyutları ve bu katmanlarda üretilen öznitelik haritası sayıları optimize edilmeye çalışılmış ve başarım ölçütleri üzerinden performans artışı sağlandığı ortaya konmuştur. Femur kırığı sınıflandırması çalışmasında ise hazır CNN mimarileri transfer öğrenme yöntemiyle mevcut probleme uyarlanarak deneyler yürütülmüş ve performansları karşılaştırılmıştır. Hazır CNN mimarilerinin evrişimsel katmalarında otomatik olarak üretilen öznitelikler kanonik makine öğrenme sınıflandırıcılarını beslemek için kullanılmıştır. Tespit ve sınıflandırma çalışmalarında elde edilen performanslara göre derin öğrenme mimarilerinin kanonik sınıflandırıcılara üstün geldiği gözlemlenmiştir. It is known that proximal femur fractures are a serious health problem affecting especially the elderly population. It is estimated that the number of cases will double in the next three decades with the increasing population. To diagnose femoral fractures plain frontal pelvic radiographs (PXRs) are widely used due to their low cost. Unfortunately, it was stated that 2% of all hip fractures could not be diagnosed by a PXR. This situation leads to misdiagnosis, hinders the recovery process, increases the treatment costs, and decreases the life quality of the patients. Therefore, the utilization of canonical machine learning algorithms and deep learning architectures in fracture detection and classification has increased to aid in accurate diagnosis and treatment. Starting from this point of view, within the scope of the thesis, femoral neck fracture detection and femur fracture classification studies were carried out. The femoral neck fracture detection study was designed by proposing a CNN architecture from scratch and the experiments were conducted on the balanced and the imbalanced data sets. Using the meta-heuristic optimization algorithms, the filter sizes in the convolutional layers of the proposed CNN architecture and the number of feature maps generated in these layers have been tried to be optimized and it has been revealed that performance increases are achieved through performance criteria. In the femur fracture classification study, the experiments were carried out by adapting the pretrained CNN architectures to the existing problem with the transfer learning method. Automatically generated features of the pretrained CNN architectures were used to feed canonical machine learning classifiers. According to the performances obtained in the detection and classification studies, it has been observed that deep learning architectures are superior to canonical classifiers.
  • Thumbnail Image
    Item
    MikroRNA veri tabanlarında bil getir-getirimi
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2015) Açıcı, Koray; Oğul, Hasan
    Büyük ve açık veri tabanlarında bulunan biyolojik deneylerin içerik tabanlı geri getirimi biyoenformatik ve hesaplamalı biyolojide güncel bir problemdir. Ġçerik-tabanlı getirimde genel olarak, herhangi bir deneysel üst-veri içermeyen örnek sorgu kullanarak bir veri tabanında arama yapılabilmesi hedeflenmektedir. Bu çalıĢmada özel olarak mikrodizi veri tabanlarında ilgili mikroRNA deneylerinin geri-getirimi problemine odaklanılmıĢtır. Bunun için iĢlemsel bir alt yapı önerilmiĢtir. Mikrodizi profil deneylerinde farklı ifade olan mikroRNA‘ları belirlemek için bir normal-tekdüze karıĢım modeli alt yapıya uyarlanmıĢtır. Ayrıca mikrodizi deney içeriğini temsil etmek için bilgi-tabanlı bir yöntem önerilmiĢtir. ÖlçülmüĢ ifade verisi üzerinde istatistiksel zenginleĢme analizi için mikroRNA‘ların kemoterapi direncini temel alan bir dizi ek açıklamalı mikroRNA kümesi kullanılmıĢtır. Farklı ifade değerlerini temel alan gerçek-değerli deney imzalarını ikili hale çevirmede kullanmak üzere sıra-tabanlı bir eĢikleme yöntemi önerilmiĢtir. Kategorik imzaları karĢılaĢtırmak için etkili bir benzerlik ölçütü tanıtılarak iki deney arasındaki ilgililiğin ortaya çıkarılmasında kullanılmıĢtır. Önerilen modelin geri-getirim kabiliyetini ayırt etmek için deneysel ilgililik iki farklı bakıĢ açısı ile değerlendirilmiĢtir. Birincisi hastalık iliĢkisi, ikincisi ise embriyonik köken ortaklığıdır. Bilindiği kadarıyla deney geri getirim problemi, mikroRNA mikrodizileri bağlamında ilk defa bu çalıĢma ile incelenmiĢtir. Content-based retrieval of biological experiments in large public repositories is a recent challenge in computational biology and bioinformatics. The task is, in general, to search in a database using a query-by-example without any experimental meta-data annotation. Here, a more specific problem that seeks a solution for retrieving relevant microRNA experiments from microarray repositories is considered. A computational framework is proposed with this objective. The framework adapts a normal-uniform mixture model for identifying differentially expressed microRNAs in microarray profiling experiments. Also a knowledge-based approach for representing microarray experiment content is proposed. A group of annotated microRNA sets based on their chemotherapy resistance are used for a statistical enrichment analysis over observed expression data. A rank-based thresholding scheme is offered to binarize real-valued experiment fingerprints based on differential expression. An effective similarity metric is introduced to compare categorical fingerprints, which in turn infers the relevance between two experiments. Two different views of experimental relevance are evaluated, one for disease association and another for embryonic germ layer, to discern the retrieval ability of the proposed model. To the best of one's knowledge, the experiment retrieval task is investigated for the first time in the context of microRNA microarrays.