KaydedilenlerDerginizi ekleyin

Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2021 / Cilt: 33 - Sayı: 1

Köpeklerdeki Uzun Kemiklerin Evrişimsel Sinir Ağları Kullanılarak Sınıflandırılması

Gülnur Begüm ERGÜN
Selda GÜNEY
Tahsin Gürkan ERGÜN
Sayfa
125–132
Yayın Tarihi
2021-02-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Biyomedikal görüntü işleme alandaki pek 9 çok çalışma gibi, bu çalışmada da Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) mimarileri kullanılmıştır. 10 Alexnet, GoogLeNet ve VGG-19 derin öğrenme modelleri ile öğrenme aktarımı gerçekleştirilmiş, destek vektör makineleri 11 (Support Vector Machines, SVM) ile sınıflandırma performansı test edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yılların en popüler konularından olan derin öğrenme, pek çok alanda olduğu gibi biyomedikal alanda da sıkça 2 kullanılmaktadır.
📊
Temel Bulgular & Veri:Çeşitli görüntüleme yöntemleri ile elde edilen görüntüler kullanılarak hastalık ve kırık tespiti, biyolojik veri 3 kestirimi, doku ve organ bölütlemesi, eksik veri tamamlanması gibi nice uygulama derin öğrenme algoritmaları sayesinde 4 başarılı bir şekilde gerçekleştirilmektedir.
💡
Sonuç & Katkı:Biyomedikal görüntü işleme alandaki pek 9 çok çalışma gibi, bu çalışmada da Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) mimarileri kullanılmıştır. 10 Alexnet, GoogLeNet ve VGG-19 derin öğrenme modelleri ile öğrenme aktarımı gerçekleştirilmiş, destek vektör makineleri 11 (Support Vector Machines, SVM) ile sınıflandırma performansı test edilmiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Derin öğrenme · sınıflandırma · evrişimli sinir ağları

Özet

Son yılların en popüler konularından olan derin öğrenme, pek çok alanda olduğu gibi biyomedikal alanda da sıkça 2 kullanılmaktadır. Çeşitli görüntüleme yöntemleri ile elde edilen görüntüler kullanılarak hastalık ve kırık tespiti, biyolojik veri 3 kestirimi, doku ve organ bölütlemesi, eksik veri tamamlanması gibi nice uygulama derin öğrenme algoritmaları sayesinde 4 başarılı bir şekilde gerçekleştirilmektedir. Ancak bahsi geçen uygulamaların çok büyük bir çoğunluğu beşeri hekimlikte 5 yapılırken, veteriner tıp geri planda bırakılmıştır. Özellikle literatürde bu alandaki eksikliğin fark edilmesi bu çalışma 6 konusunun en büyük motivasyon kaynağı olmuştur. Bu çalışmada, Ankara Büyükşehir Belediyesi Sokak Hayvanları Geçici 7 Bakım Evi’nden alınan, köpeklere ait röntgenleri içeren geniş kapsamlı bir veri seti, derin öğrenme algoritmaları ile işlenmiştir. 8 Amaç, köpeklere ait X-Ray görüntülerinden uzun kemiğin çeşidinin belirlenmesidir. Biyomedikal görüntü işleme alandaki pek 9 çok çalışma gibi, bu çalışmada da Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) mimarileri kullanılmıştır. 10 Alexnet, GoogLeNet ve VGG-19 derin öğrenme modelleri ile öğrenme aktarımı gerçekleştirilmiş, destek vektör makineleri 11 (Support Vector Machines, SVM) ile sınıflandırma performansı test edilmiştir.

🔖

Bu Makaleye Atıf Yap

ERGÜN, G. B., GÜNEY, S., ERGÜN, T. G. (2021). Köpeklerdeki Uzun Kemiklerin Evrişimsel Sinir Ağları Kullanılarak Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 33 - Sayı: 1, 125–132. https://ajindex.com/articles/254318

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. A. Şeker, B. Diri, H. Hüseyin Balık, “Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme,” Gazi Mühendislik Bilimleri Dergisi, vol. 3, pp. 47-64, 2017
  2. A. Prasoon, K. Petersen, C. Igel, F. Lauze, E. Dam, M. Nielsen, “Deep Feature Learning for Knee Cartilage Segmentation Using a Triplanar Convolutional Neural Network,” MICCAI, pp. 246–253, 2013
  3. Sergio, P., Adriano, P., Carlos, A, “Brain Tumor Segmentation using Convolutional Neural Networks in MRI Images” IEEE Transactions on Medical Imaging, pp. 1240-1251, 2016
  4. G. Urban, M. Bendszus, F. A. Hamprecht, J. Kleesiek, “Multi-modal Brain Tumor Segmentation using Deep Convolutional Neural Networks,” MICCAI BraTS Challenge Proceedings, pp. 31–35, 2014
  5. Adams M, Chen W, Holcdorf D, McCusker M W, Howe P D, Gaillard F., “Computer vs human: deep learning versus perceptual training for the detection of neck of femur fractures,” J Med Imaging Radiat Oncol; vol.63, pp. 27–32, 2019
  6. Brett A, Miller C G, Hayes C W, Krasnow J, Ozanian T, Abrams K, Block J E, van Kuijk C., “Development of a clinical workflow tool to enhance the detection of vertebral fractures: accuracy and precision evaluation,” Spine, vol. 34, pp. 2437–2443, 2009
  7. Chung S W, Han S S, Lee J W, Oh K S, Kim N R, Yoon J P, Kim J Y, Moon S H, Kwon J, Lee H J, Noh Y M, Kim Y., “Automated detection and classification of the proximal humerus fracture by using deep learning algorithm,” Acta Orthop, vol. 89, pp. 468–473, 2018
  8. Szegedy C, Vanhoucke V, Loffe S., “Rethinking the Inception Architecture for Computer Vision,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, pp. 2818-2826, 2016
  9. Lindsey R, Daluiski A, Chopra S, Lachapelle A, Mozer M, Sicular S, Hanel D, Gardner M, Gupta A, Hotchkiss R, Potter H., “Deep neural network improves fracture detection by clinicians,” Proc Natl Acad Sci USA, vol. 115 pp. 11591–11596, 2018
  10. Najafabadi, M.M., Villanustre, F., Khoshgoftaar, T.M. et al. Deep learning applications and challenges in big data analytics. Journal of Big Data 2, 1, 2015
  11. J. Seetha, S.S. Raja, “Brain Tumor Classification Using Convolutional Neural Networks,” Biomed Pharmacol J, vol. 11, 2018
  12. Zbigniew A. Starosolski, J. Herman Kan, and Ananth Annapragada "CNN-based detection of distal tibial fractures in radiographic images in the setting of open growth plates", Proc. SPIE 11314, Medical Imaging 2020: Computer-Aided Diagnosis, 2020
  13. YÖK Ulusal Tez Merkezi, “htt