Makine öğrenme teknikleri kullanılarak basınç ülserlerinin sınıflandırılması
| dc.contributor.advisor | Yücedağ, İbrahim | |
| dc.contributor.advisor | Demircan, Fadime Öğülmüş | |
| dc.contributor.author | Yılmaz, Bilge | |
| dc.date.accessioned | 2023-04-04T16:04:51Z | |
| dc.date.available | 2023-04-04T16:04:51Z | |
| dc.date.issued | 2021 | |
| dc.department | DÜ, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Basınç ülserleri yatağa bağlı hastalarda uzun süre hareketsizliğe bağlı oluşan yaralardır. Bu durum dünyada önemli bir sağlık sorunu haline gelmiştir. Tedavinin etkili olabilmesi için basınç ülserlerinin teşhisinin doğru yapılması çok önemlidir. Yara özellikleri, iyileşme üzerinde önemli bir etkiye sahiptir. Girişimsel bilgi alma yöntemleri, basınç ülserlerinin teşhisinde hastalar için acı vericidir. Ayrıca bu yöntemler, hastanın enfeksiyon kapmasına sebebiyet verebilir. Bu yüzden, cerrahi işlem gerektirmeyen yara izleme teknikleri tercih edilmelidir. Görüntüleme sistemleri sayesinde yara ile temas edilmeden yaranın özelliklerinin doğru bir şekilde analiz edilmesi sağlanır. Bu tez çalışmasının amacı, görüntü analizinde makine öğrenmesi tekniklerinden yararlanılarak basınç ülserlerinin sınıflandırılması ile tedavi süreçlerine olumlu bir katkıda bulunmak ya da yara oluşumunun önlenmesini sağlamaktır. Bu tezde literatürde basınç yarası problemine evrelendirme sayısı bakımından yenilik getirilmiştir. Basınç yarası evrelendirilmesi doğru bir görüntü sınıflandırma problemi şeklinde ele alınmıştır. 697 tane yara görüntüsünden oluşan gerçek hastane verileri, Lojistik Regresyon, Yapay Sinir Ağları ve Destek Vektör Makineleri yöntemleri ile analiz edilmiştir. Bu görüntülerindeki yara rengi, ölçüsü gibi özellikler görüntü işleme sayesinde ayrıştırılmış ve görüntülerden yaranın hangi evrede olduğu belirlenmiştir. Sınıflandırma için basınç ülserlerinin 6 evresi referans alınmıştır. Bu çalışmada az sayıda veri setindeki farklı açılardan elde edilen görüntülerin bulunması sınıflandırma için uzmanların sınıf değerlerini tayin etmelerinde zor olmasa da arka planda bulunan görüntüler sınıflandırmayı zorlaştırmaktadır. Eğitim için daha çok veri kullanılması ve Derin Öğrenme mimarileri kullanılması performans değerlerini artıracaktır. | en_US |
| dc.description.abstract | Pressure ulcers are wounds caused by prolonged inactivity in bedridden patients. This situation has become an important health problem in the world. Correct diagnosis of pressure ulcers is essential for treatment to be effective. Wound characteristics have an important effect on healing. Interventional methods of obtaining information are painful for patients in diagnosing pressure ulcers. In addition, these methods may cause the patient to become infected. Therefore, non-surgical wound tracing techniques should be preferred. With imaging systems, it is ensured that the characteristics of the wound are analyzed accurately without contacting the wound. The aim of this thesis study is to make a positive contribution to the treatment processes or to prevent the formation of wounds with the classification of pressure ulcers by using machine learning techniques in image analysis. In this thesis, an innovation has been brought to the pressure sore problem in the literature in terms of the number of staging. Pressure ulcer staging is handled as an accurate image classification problem. Real hospital data consisting of 697 images wound Logistic Regression, Neural Networks and Support Vector Machines were analyzed by the method. Features such as wound color and size in these images were separated by image processing and the stage of the wound was determined from the images. The 6 stages of pressure ulcers are referenced for classification. Although it is not difficult for experts to determine the class values for classification, the images obtained from different angles in a small number of data sets in this study make it difficult to classify the images in the background. Using more data for training and using Deep Learning architectures will increase performance values. | en_US |
| dc.identifier.endpage | 70 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=tqUiYt63sTQLTpozMJ92QqBwl1ah2cJbak56-RzFZrhSKWwp5gq-2NR8Sp9EBx5u | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12684/11057 | |
| dc.identifier.yoktezid | 696683 | en_US |
| dc.institutionauthor | Yılmaz, Bilge | |
| dc.language.iso | tr | en_US |
| dc.publisher | Düzce Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
| dc.subject | Computer Engineering and Computer Science and Control | en_US |
| dc.subject | Hücresel yapay sinir ağları | en_US |
| dc.subject | Cellular artificial neural networks | en_US |
| dc.subject | Sayısal görüntü işleme | en_US |
| dc.subject | Digital image processing | en_US |
| dc.title | Makine öğrenme teknikleri kullanılarak basınç ülserlerinin sınıflandırılması | en_US |
| dc.title.alternative | Classification of pressure ulcers using machine learning techniques | en_US |
| dc.type | Master Thesis | en_US |
Dosyalar
Orijinal paket
1 - 1 / 1
Yükleniyor...
- İsim:
- 696683.pdf
- Boyut:
- 2.64 MB
- Biçim:
- Adobe Portable Document Format
- Açıklama:
- Tam Metin / Full Text
