Derin öğrenme yöntemi ile idrar sediment görüntülerindeki hücrelerin tespiti ve sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/embargoedAccess
Özet
Günümüzde, doktorlar tarafından en sık istenilen testlerden biri de idrar testidir. Bunun en büyük nedenlerinden biri idrarın insan metabolizması hakkında birçok bilgiyi içermesidir. Diğeri ise örnek alımının oldukça kolay olmasıdır. Alınan örneklerin analizi için tam otomatik idrar analizörleri kullanılmaktadır. Fakat bu analizörlerin birçoğu sonradan öğrenme yeteneğine sahip değildir. Yani, daha önceden tanıtılmayan bir maddenin cihaza öğretilmesi zordur. Bu cihazlar analiz esnasında, genellikle, kenar ve renk tespiti gibi ilkel görüntü işleme algoritmalarını kullanırlar. Bu algoritmalar, hava kabarcığı gibi fiziksel nesnelerin ölçüme dahil edilmesine neden olurlar. Bu da testin doğruluğu açısından, laboratuvarda çalışan laborantlar için oldukça problemli bir durumun ortaya çıkmasına neden olur.
Bu tez çalışmasında, yukarıda bahsedilen idrar analizörlerindeki problemlere derin öğrenme yöntemi ile çözüm bulunmaya çalışılmıştır. İkisi hazır biri ise idrar analiz cihazından olmak üzere üç farklı veri kümesi elde edilmiş ve bu veri kümeleri üzerinde birtakım deneyler uygulanmıştır. Bu deneyler sonucunda, eritrosit tespitinde %94, lökosit tespitinde ise %87 seviyelerine ulaşan bir doğruluk oranı elde edilmiştir. Böylece, insan idrarındaki partiküller YOLOv7-tiny derin öğrenme modeli kullanılarak başarıyla tespit edilmiştir.
In today's world, one of the most requested tests by doctors is the urine test. One of the main reasons for this is that urine contains a wealth of information about human metabolism. Another reason is that urine sample collection is relatively easy. Fully automated urine analyzers are used for the analysis of the collected samples. However, many of these analyzers do not have the ability to learn retrospectively. In other words, it is difficult to teach the device about a substance that has not been previously introduced. During the analysis, these devices typically utilize primitive image processing algorithms such as edge and color detection. These algorithms can lead to the inclusion of physical objects such as air bubbles in the measurement. This poses a significant problem for laboratory technicians in terms of the accuracy of the test. In this thesis, the problems in urine analyzers mentioned above were tried to be solved by deep learning method. Three different datasets, two of which are ready and one from the urine analysis device, were obtained and some experiments were performed on these datasets. As a result of these experiments,an accuracy rate of 94% in erythrocyte detection and 87% in leukocyte detection was achieved. Thus,particles in human urine were successfully detected using the YOLOv7-tiny deep learning model.
In today's world, one of the most requested tests by doctors is the urine test. One of the main reasons for this is that urine contains a wealth of information about human metabolism. Another reason is that urine sample collection is relatively easy. Fully automated urine analyzers are used for the analysis of the collected samples. However, many of these analyzers do not have the ability to learn retrospectively. In other words, it is difficult to teach the device about a substance that has not been previously introduced. During the analysis, these devices typically utilize primitive image processing algorithms such as edge and color detection. These algorithms can lead to the inclusion of physical objects such as air bubbles in the measurement. This poses a significant problem for laboratory technicians in terms of the accuracy of the test. In this thesis, the problems in urine analyzers mentioned above were tried to be solved by deep learning method. Three different datasets, two of which are ready and one from the urine analysis device, were obtained and some experiments were performed on these datasets. As a result of these experiments,an accuracy rate of 94% in erythrocyte detection and 87% in leukocyte detection was achieved. Thus,particles in human urine were successfully detected using the YOLOv7-tiny deep learning model.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Derin Öğrenme, İdrar Analizi, Sınıflandırma, YOLOv7, Classification, Deep Learning, Urine Analysis, YOLOv7
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Akbaş, Y. (2023). Derin öğrenme yöntemi ile idrar sediment görüntülerindeki hücrelerin tespiti ve sınıflandırılması. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Mekatronik Mühendisliği Anabilim Dalı, Konya.
