Tekin, RamazanÖzaydın, Berivan2024-08-122024-08-122023-07-07Özaydın, B. (2023). X-Ray görüntülerinden alt solunum yolu enfeksiyonlarının teşhisinde transfer öğrenme yöntemleri ve topluluk öğrenmeye dayalı yeni bir yaklaşım. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.https://hdl.handle.net/20.500.12402/4619Günümüzde virüslerin neden olduğu hastalıklar büyük salgınlara neden olarak milyonlarca insanın hayatını etkilemektedirler. Bu virüslerin neden olduğu hastalıklardan bazıları alt solunum yolu enfeksiyonları olup bunlar arasında COVID-19 salgını Corona virüsün neden son yılların en akut ve şiddetli virüslerinden birisidir. Virüs aşıları geliştirilmesine rağmen dünya genelinde COVID-19 vaka oranları hızla artmaktadır. COVID-19 ve diğer alt solunum yolları hastalıkların teşhisi için yapay zekâ tekniklerinin de kullanıldığı görülmektedir. Özellikle derin öğrenme teknikleri klasik PCR testi ve X-ray görüntülerin manuel yorumlanmasına göre daha hızlı ve başarılı sonuçlar üretmektedir. Derin öğrenme olarak da bilinen derin yapılandırılmış öğrenme, yorumlamalı öğrenme, aktarılmış öğrenme gibi metotlar yapay sinir ağı tabanlı yöntemlerdir. Bu çalışmada 9 farklı transfer derin öğrenme metodu tabanlı topluluk sınıflandırıcılı hibrit bir model ile X-ray görüntüleri kullanılarak COVID-19 ve diğer alt solunum yolu enfeksiyonu hastalıkların teşhisi gerçekleştirilmiştir. DeepFeat-E olarak isimlendirilen hibrit yaklaşım transfer modellerinden elde edilen derin öznitelikler ve klasik makine öğrenimi yöntemlerinden oluşan sınıflandırıcılar kullanılarak teşhis işlemi gerçekleştirmektedir. Önerilen yaklaşımı test etmek için 10.192 Normal, 6012 Akciğer Opaklığı (COVID Dışı akciğer enfeksiyonu), 1345 Viral Pnömoni ve 3616 COVID-19 (Hasta) toplamda 21.165 X-ray görüntüsünden oluşan veri seti kullanılmıştır. Önerilen yaklaşım ile en yüksek başarı DenseNet201 TÖ (Transfer Öğrenme) modellerine ait derin öznitelikler ve İstifleme topluluk öğrenme yöntemiyle elde edildiği görülmüştür. Dört, üç ve iki sınıfa sahip veri seti ile yapılan deneysel çalışmalarda sırasıyla test doğruluğu %90,17, %94,99 ve %94,93 olarak elde edilmiştir. Ayrıca sistemin tüm TÖ modellerinde elde edilen doğruluk değerlerini değişen miktarlarda arttırdığı görülmüştür. Bu tez çalışması kapsamında elde edilen sonuçlara göre, önerilen DeepFeat-E isimli hibrit sistemin alt solunum yolu enfeksiyon hastalıkların teşhisinde hızlı ve güvenilir bir şekilde kullanılabileceğini göstermiştir.Today, diseases caused by viruses cause major epidemics, affecting the lives of millions of people. Some of the diseases caused by these viruses are lower respiratory tract infections, and the COVID-19 pandemic caused by the Corona virus is one of the most acute and severe viruses of recent years. Despite the development of virus vaccines, the rates of COVID-19 cases are increasing rapidly around the world. It is seen that artificial intelligence techniques are also used for the diagnosis of COVID-19 and other lower respiratory tract diseases. Especially deep learning techniques produce faster and more successful results than classical PCR testing and manual interpretation of X-ray images. Methods such as deep structured learning, interpretive learning, and transferred learning, also known as deep learning, are artificial neural network-based methods. In this study, COVID-19 and other lower respiratory tract infections were diagnosed using X-ray images with an ensemble classifiers hybrid model based on 9 different deep learning methods. The hybrid approach called DeepFeat-E performs diagnosis using deep features obtained from transfer models and classifiers consisting of classical machine learning methods. A dataset of 21,165 X-ray images in total of 10,192 Normal, 6012 Lung Opacity (Non-COVID lung infection), 1345 Viral Pneumonia and 3616 COVID-19 (Patients) were used to test the proposed approach. With the proposed approach, it was seen that the highest success was obtained with the deep features and Stacking ensemble learning method of DenseNet201 TL(Transfer Learning) models. In experimental studies with datasets with four, three and two classes, the test accuracy was 90.17%, 94.99% and 94.93%, respectively. In addition, it was observed that the system increased the accuracy values obtained in all DR models by varying amounts. According to the results obtained within the scope of this thesis study, it has been shown that the proposed DeepFeat-E hybrid system can be used quickly and reliably in the diagnosis of lower respiratory tract infectious diseases.trinfo:eu-repo/semantics/openAccessAlt Solunum Yolu EnfeksiyonlarıCOVID-19Topluluk SınıflandırıcıTransfer ÖğrenmeLower Respiratory Tract InfectionsEnsemble ClassifierTransfer LearningMaster Thesis