Yüksek Lisans Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5799
Browse
3 results
Search Results
Master Thesis Tree-net: Biyomedikal Görüntü Segmentasyonu için Tree-net: Darboğaz Özellik Süpervizyonu Kullanılan Yapay Sinir Ağı Modeli(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Demirci, Orhan; Yılmaz, BülentIn this thesis, we introduce Tree-NET, a novel approach for medical image segmentation utilizing bottleneck feature supervision. This method enhances traditional segmentation algorithms by keeping supervision between bottleneck features of the network. The primary goal is to improve the model's ability to learn discriminative and robust features while simultaneously reducing computational costs. Bottleneck feature supervision involves compressing the input and label data using Autoencoders and then supervising the bottleneck features with a segmentation network named 'Bridge-Net,' which can be any segmentation model of choice. We applied Tree-NET to two critical medical image segmentation tasks: skin lesion segmentation and polyp segmentation. Our experiments demonstrate significant improvements in segmentation accuracy and efficiency. For instance, the U-NET backboned Tree-NET uses only 154.43 MB for executing and storing the model, which is almost 3.5 times smaller than the original U-Net while having a close number of trainable parameters. In skin lesion segmentation, Tree-NET achieved dice, Intersection-over-Union (IoU), and accuracy scores of 0.893, 0.751, and 0.977 respectively. For polyp segmentation, the scores were 0.856, 0.795, and 0.923 for dice, IoU, and accuracy respectively. Compared to traditional segmentation models, the empirical results show that Tree-NET achieves higher accuracy with reduced training time and computational cost, thus representing a significant advancement in medical image analysis by providing more reliable and efficient tools for clinical applications.Master Thesis Protein İkincil Yapı Tahmini için Boyut Küçültme(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2017) Görmez, Yasin; Aydın, Zafer; Kaynar, OğuzGerekli metabolik süreçleri yürüten proteinler insan hayatı için büyük önem taşımaktadır. Proteinlerin fonksiyonları ile üç boyutlu yapıları arasında yakın bir ilişki bulunmaktadır. Dört yapı düzeyi olan proteinlerin bir çoğunun, birincil yapı olarak da adlandırılan amino asit dizilimi bilinmekte ancak üçüncül yapıları bilinmemektedir. Üçüncül yapıların laboratuvar ortamında tespit edilmesinin çok maliyetli ve zor olması, amino asit dizilimini kullanarak yapı tahmini yapan sistemlerin geliştirilmesine neden olmuştur. Protein yapı tahmini yapan sistemlerin en önemli aşamalarından biri ise ikincil yapı etiketlerinin tanımlanması işlemidir. Yeni öznitelik çıkarma yaklaşımları geliştirildikçe yapısal özelliklerin tahmini için kullanılan veri setleri yüksek boyutlara sahip olabilmekte ve kullanılan özniteliklerden bazıları gürültülü veri içerebilmektedir. Bu nedenle uygun sayıda ve doğru öznitelikleri seçmek, iyi bir başarı oranı elde etmek için önemli aşamalardan biridir. Bu çalışmada iki farklı veri seti üzerinde derin oto kodlayıcı kullanılarak boyut düşürme işlemi uygulanmış, temel bileşen analizi, ki-kare, bilgi kazancı, kazanım oranı, korelasyon tabanlı öznitelik seçim teknikleri ve minimum fazlalık maksimum ilgi algoritması gibi çeşitli öznitelik seçim ve boyut düşürme teknikleri ayrıca genetik algoritma, aç gözlü algoritma ve en iyi ilk önce algoritması gibi çeşitli arama stratejileri ile birlikte kullanılarak elde edilen veri setleri ile karşılaştırılmıştır. İkincil yapı tahmin başarısının karşılaştırılması için destek vektör makinası kullanılmıştır.Master Thesis Makine Öğrenmesi ile Protein Parçacık Seçimi(Abdullah Gül Üniversitesi, 2018) EMRE ULUTAŞ, ALPEREN; Ulutaş, Alperen Emre; Aydın, ZaferProtein parçacık seçimi proteinlerin üç boyutlu yapılarının tahmin edilmesindeki önemli adımlardan biridir. Doğru parçacık yapılarının seçilmesi üç boyutlu yapının doğru tahmin edilmesi için gereklidir. Bu tezde verilen iki protein parçacığının üç boyutlu yapılarının birbirine benzer olup olmadığını tahmin eden çeşitli yapay öğrenme yöntemleri geliştirilmiştir. Bu sayede yapısı bilinmeyen bir hedef protein için parçacık yapılarının seçilmesi mümkün olacaktır. Tahmin yönteminin girdi olarak kullanacağı öznitelik parametrelerinin tasarlanması için bir konsept hiyerarşi yaklaşımı izlenmiştir. Bunun için dizi profil matrisleri, ikincil yapı, çözücü erişilirlik ve bükülme açı sınıfı tahminleri çeşitli kombinasyonlarda ve izdüşüm uzaylarında incelenmiştir. Üç ve dokuz amino asitlik parçacıkların yapısal benzerlik tahmini için çeşitli sınıflandırma ve regresyon modelleri eğitilmiş ve optimize edilmiştir. Bunlar arasında lojistik regresyon, AdaBoost, karar ağacı, en yakın komşu, sade Bayes, rastgele orman, destek vektör makinası ve çok-katmanlı algılayıcı bulunmaktadır. Elde edilen sonuçlara göre farklı öznitelik kümelerinin konsept hiyerarşi yaklaşımı ile birleştirilmesi ve model optimizasyonları tahmin başarısını önemli oranda iyileştirmiştir. Ayrıca çapraz doğrulama deneyleri neticesinde parçacık benzerliğinin yüksek başarı oranları ile tahmin edilebildiği gösterilmiştir. Parçacık benzerliği sınıflandırma problemi olarak tanımlandığı zaman tahmin yöntemlerinin başarı oranları birbirine yakın olarak elde edilmiştir. Regresyon modelleri arasında ise rastgele orman yöntemi en yüksek tahmin başarısına ulaşmıştır.