Derin öğrenme metotları ile yüz ifadelerinden down sendromu tespiti
Yükleniyor...
Tarih
2024-09-17
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma, yapay zeka ve derin öğrenme tekniklerinin hastalık tespit etmek amacıyla gerçekleştirilmiştir. Bu teknolojiler, hastalıkların hızlı, doğru ve verimli bir şekilde teşhis edilmesini sağlamak için kullanılmaktadır. Derin öğrenme algoritmaları, özellikle büyük veri setleri üzerinde eğitilerek, karmaşık ve ince detayları algılayabilen güçlü modeller oluşturur. Çalışmada kullanılan veri seti açık kaynak kodlu sitelerden elde edilmiştir. Yapılan çalışmada, özellikle yüz görüntülerini ve derin evrişimli sinir ağlarını (CNN'ler) kullanarak Down sendromu gibi genetik bozuklukların tespiti üzerinde durulmuştur. ResNet50, ResNet101, ResNet152 ve MobileNet gibi popüler CNN modelleri kullanılarak gerçekleştirilen sınıflandırma işlemleri, hastalık tespit sürecini hızlandırmak ve doğruluğunu artırmak amacıyla değerlendirilmiştir. Elde edilen bulgular, özellikle ResNet50 ve ResNet101 modellerinin diğer modellere kıyasla daha yüksek başarı oranına sahip olduğunu ortaya koymaktadır. Bu iki modelin %99'luk doğruluk oranı, Down sendromu tespitinde oldukça etkili olduklarını kanıtlamaktadır. Yüksek doğruluk oranları, bu modellerin yüz görüntülerindeki ayırt edici özellikleri doğru bir şekilde tanıyabildiğini ve hastalık teşhisinde son derece güvenilir çalıştığını göstermektedir. Bu modeller, genetik bozukluklar gibi hastalıkların belirgin özelliklerini tespit edebilir ve otomatik sınıflandırma yapabilir. Sonuçlar, bu tür yapay zeka ve derin öğrenme tekniklerinin hastalık tespitinde önemli bir rol oynayabileceğini göstermektedir. Bu nedenlerle, yapay zekâ teknolojileri, hastalık tespiti ve sağlık hizmetlerinin genel kalitesini artırmak için güçlü bir araç olarak değerlendirilmektedir. Yapay zekânın sunduğu bu avantajlar, sağlık sektöründe devrim niteliğinde değişiklikler yapma potansiyeline sahiptir.
This study was conducted to detect diseases using artificial intelligence and deep learning techniques. These technologies are employed to ensure that diseases are diagnosed quickly, accurately, and efficiently. Deep learning algorithms, especially when trained on large datasets, create powerful models capable of detecting complex and subtle details. The dataset used in the study was obtained from open-source sites. The focus of the research was on the detection of genetic disorders such as Down syndrome using facial images and deep convolutional neural networks (CNNs). Popular CNN models like ResNet50, ResNet101, ResNet152, and MobileNet were used to perform classification tasks aimed at speeding up the disease detection process and increasing its accuracy. The findings reveal that ResNet50 and ResNet101 models have higher accuracy rates compared to other models. The 99% accuracy rate of these two models demonstrates their high effectiveness in detecting Down syndrome. These high accuracy rates indicate that the models can accurately identify distinctive features in facial images and work with great reliability in disease diagnosis. These models can detect prominent features of diseases like genetic disorders and perform automatic classification. The results suggest that such artificial intelligence and deep learning techniques can play a significant role in disease detection. Therefore, artificial intelligence technologies are considered a powerful tool to enhance the quality of disease detection and healthcare services overall. The advantages offered by artificial intelligence have the potential to bring revolutionary changes to the healthcare sector.
This study was conducted to detect diseases using artificial intelligence and deep learning techniques. These technologies are employed to ensure that diseases are diagnosed quickly, accurately, and efficiently. Deep learning algorithms, especially when trained on large datasets, create powerful models capable of detecting complex and subtle details. The dataset used in the study was obtained from open-source sites. The focus of the research was on the detection of genetic disorders such as Down syndrome using facial images and deep convolutional neural networks (CNNs). Popular CNN models like ResNet50, ResNet101, ResNet152, and MobileNet were used to perform classification tasks aimed at speeding up the disease detection process and increasing its accuracy. The findings reveal that ResNet50 and ResNet101 models have higher accuracy rates compared to other models. The 99% accuracy rate of these two models demonstrates their high effectiveness in detecting Down syndrome. These high accuracy rates indicate that the models can accurately identify distinctive features in facial images and work with great reliability in disease diagnosis. These models can detect prominent features of diseases like genetic disorders and perform automatic classification. The results suggest that such artificial intelligence and deep learning techniques can play a significant role in disease detection. Therefore, artificial intelligence technologies are considered a powerful tool to enhance the quality of disease detection and healthcare services overall. The advantages offered by artificial intelligence have the potential to bring revolutionary changes to the healthcare sector.
Açıklama
Anahtar Kelimeler
Derin Öğrenme, Down Sendromu, MobilNet, ResNet Modelleri, Deep Learning, Down Syndrome, MobileNet, ResNet Models
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Ortaç, E. (2024). Derin öğrenme metotları ile yüz ifadelerinden down sendromu tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
