Bilgisayar Teknolojileri Bölümü Koleksiyonu

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12514/175

Browse

Browsing Bilgisayar Teknolojileri Bölümü Koleksiyonu by Institution Author "Çınar, Ahmet"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Conference Object
    Alt Piksel Metodu İle Çözünürlüğü Geliştirilmiş Tıbbi Görüntülerde Performans Analizi
    (ICONSAD'23, 2023) Çınar, Ahmet; Ağalday, Fatih
    Görüntü işleme dünyasında düşük çözünürlüklü bir görüntünün veya videonun yüksek çözünürlüklü olarak yeniden iyileştirilmesi araştırmacıların oldukça ilgisini çekmektedir. Süper çözünürlük olarak adlandırılan bu işlemler tıbbi görüntüleme, uydu görüntüleme ve yüz tanıma gibi birçok alanda doğrudan uygulama alanı bulmaktadır. Süper çözünürlük sorunu genel olarak yüksek çözünürlük verilerinin düşük geçişli filtrelenmiş, alt örneklenmiş ve gürültülü bir versiyonu olarak kabul edilir. Görüntü işlemede kullanılan bilgisayarlı tomografi ve manyetik rezonans görüntüleme gibi teknikler hastalıkların teşhis edilmesinde uzun süredir kullanılmaktadır. Uzman hekimlerin tıbbı görüntülerin doğru ve erken teşhisinde kullanılmak üzere makine öğrenmesi yöntemlerinden de yararlanılmaktadır. Bu yöntemler sayesinde aynı tıbbı görüntüde çakışan uzman görüşlerinin doğru karar vermesine katkıda bulunmak üzere mevcut tıbbı görüntülerin çözünürlüklerini arttırmaya yönelik bir çalışma sunulmuştur. Bu çalışmada tıbbı görüntü formatı dicom dosyalarının jpg gibi bilinen görüntü formatlarına dönüştürülerek algılanması zor olan tümörleri teşhis etmek için medikal görüntülere alt piksel yöntemi uygulanarak görüntünün çözünürlüğü arttırılmış ve görüntülerin benzerlik analizi yapılmıştır. Alt piksel evrişimli ağ modelinde görüntülerin r yükseltme faktörü kadar görüntü büyütmek için model r x r oranında özellik haritasına ihtiyaç duymaktadır. Bu çalışmada görüntünün kalitesini ve benzerliği değerlendirmek için yaygın olarak kullanılan PSNR Tepe Sinyal Gürültü Oranı yönteminden faydalanılmıştır. Alt piksel evrişimli sinir ağı ile çözünürlüğü arttırılan görüntülerin PSNR yöntemi ile benzerlikleri değerlendirilmiştir. Sonuç olarak bu çalışmada beyin tümörlerinden oluşan medikal görüntülerin çözünürlüğü arttırılmış ve yöntemin sonuçları tartışılmıştır. Çalışmanın sonunda medikal görüntüler üzerinde yapılacak araştırma ile ilgili bilgiler sunulmuştur.
  • Thumbnail Image
    Article
    Derin Öğrenme Mimarilerini Kullanarak Katarakt Tespiti
    (Avrupa Bilim ve Teknoloji Dergisi, 2021) Ağalday, Fatih; Çınar, Ahmet
    İnsanın yaşam kalitesini olumsuz olarak etkileyen görme kayıplarını daha erken bir dönemde teşhis etmek önemlidir. İnsan yaşının ilerlemesi ile birlikte görme bozuklukları ve bazen tamamen görme kaybına neden olmaktadır. Gözün anatomik yapısında bulunan anormallikler göz hastalıklarının erken dönemlerinde göz yapısına ait görsellerle de tespit edilebilmektedir. Katarat dünyada milyonlarca insanı etkileyen görme bozukluğunun en önemli nedenidir. Otomatik tanı sistemleri ile sağlık hizmeti kullanımı hafifleyerek uzmanlara yardımcı olmayı amaçlamaktadır. Bu makalede renkli fundus görüntüler kullanılarak katarat hastalığına otomatik tanı sistemi ele alınmıştır. Katarat hastalığının otomatik tanımlanması için evrişimli sinir ağı (CNN) ve derin artık ağ (DRN) kullanılarak sınıflandırma yöntemi kullanılmıştır. Veri seti 5000 hastanın sağ ve sol gözlerine ait renkli fundus fotoğrafları ve doktorların her bir hastanın sağ ve sol gözüne konulmuş teşhisler için anahtar kelimler ile yapılandırılmış bir veri tabanıdır. Bu veri seti gerçek yaşamda hasta gruplarını temsil etmektedir. Çinli bir şirket olan Shanggong Medical Technology Co., Ltd. Şirketi tarafından farklı hastane ve tıp merkezlerinden elde edilen veriler toplanmıştır. Veri setinde hastalar 8 farklı etikete sınıflandırma yapılmıştır. Renkli fundus görüntüler sayesinde farklı evrelere ait katarat semptomlarına ait özellikler bulunmaktadır. Önerilen otomatik tanı sistemi güncel sınıflandırma sistemlerine oranla daha başarılı olduğu görülmektedir. DRN yönteminin CNN yöntemine göre doğruluk oranına göre daha yüksektir. CNN modelinde doğruluk oranı %89 civarında iken DRN modelinde doğruluk oranı %95 olduğu görülmektedir.