Tez No	İndirme	Tez Künye	Durumu
774847		Derin öğrenme tabanlı bakteri sınıflandırma / Deep learning based bacteria classification Yazar:ÖMER FARUK NASİP Danışman: DR. ÖĞR. ÜYESİ KENAN ZENGİN Yer Bilgisi: Tokat Gaziosmanpaşa Üniversitesi / Lisansüstü Eğitim Enstitüsü / Mekatronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2022 89 s.
Mikroskop görüntülerinin analizi tıbbi görüntü işlemenin önemli bir konusudur. Mikroskopi, bakteri kaynaklı enfeksiyon hastalıklarının teşhisi için klinik örneklerin değerlendirilmesinde ilk adımdır. Farklı şekillerde ve çok küçük boyutlarda olan bakterilerin morfolojik yapılarına göre tespiti ve sınıflandırılması uzman bilgisi, zaman ve maliyet gerektirmektedir. Bu durumlar göz önüne alındığında bakterilerin tespiti ve sınıflandırılması için bilgisayar destekli otomatik sistemlerin iyi bir alternatif olduğundan bahsedilebilir. Bu tez kapsamında bakterilerin mikroskop görüntüleri üzerinden otomatik sınıflandırılması amacıyla üç ayrı çalışma yapılmıştır. İlk çalışmada iki farklı bakteri türüne ait veri seti tarafımızca oluşturulmuştur. Bakterilerin tespiti ve sınıflandırması için alan önermeli nesne tespit algoritması Daha Hızlı B-ESA ile transfer öğrenme yaklaşımı birlikte kullanılmıştır. Modelin eğitim ve testi sonucunda transfer öğrenme yaklaşımının bakterilerin tespiti ve sınıflandırma başarısına olumlu etki ettiği görülmüştür. İkinci çalışmada bakterilerin sınıflandırılması amacıyla 33 farklı türe ait mikroskop görüntülerinden oluşan DIBaS veri seti kullanılmıştır. Çalışmada önerilen modelde ilk olarak transfer öğrenme yaklaşımı ile mikroskop görüntülerine ait öznitelikler DenseNet201 derin sinir ağı kullanılarak elde edilmiştir. Daha sonra Bilgi Kazancı, Ki-Kare Testi, Simetrik Belirsizlik ve ReliefF öznitelik seçim algoritmaları ile belirlenen en iyi özniteliklerden yeni bir öznitelik vektörü oluşturulmuştur. Birleştirilen en iyi öznitelikler makine öğrenmesi tabanlı sınıflandırıcı olan Destek Vektör Makinesi (DVM) ile eğitilerek sınıflandırılmıştır. Önerilen öznitelik seçimi yaklaşımı hem modelin çalışma hızına hem de sınıflandırma başarısına katkı sağlamıştır. Üçüncü çalışmada balgam yayma mikroskop görüntüleri ile oluşturulmuş tüberküloz veri seti kullanılmıştır. Bakteri kaynaklı tüberküloz hastalığının teşhisi için veri setine ait öznitelikler transfer öğrenme yaklaşımı ile Vgg19, ResNet50 ve DenseNet201 kullanılarak elde edilmiştir. Öznitelikler birleştirildikten sonra Komşuluk Bileşen Analizi (KBA) ile ağırlıklandırılıp en iyi olanları seçilmiştir. Seçilen öznitelikler DVM ile eğitilmiş, modelin performansı hesaplanmıştır. Modelde önerilen öznitelik seçimi yaklaşımı sayesinde modelin sınıflandırma performansına doğrudan etki eden en iyi öznitelikler kullanılmış, gereksiz olanlar çıkarılarak öznitelik vektör boyutu azaltılmıştır. Bu işlem sayesinde modelin hem sınıflandırma doğruluğunun yükseltilmesi hem de çalışma hızının ve performansının azami seviyeye çıkarılması sağlanmıştır.
Analysis of microscope images is an important subject of medical image processing. Microscopy is the first step in the evaluation of clinical specimens for the diagnosis of bacterial infectious diseases. Detection and classification of bacteria of different shapes and very small sizes according to their morphological structures requires expert knowledge, time and cost. Considering these situations, it can be said that computer-aided automated systems are a good alternative for the detection and classification of bacteria. Within the scope of this thesis, three separate studies were carried out to automatically classify bacteria on microscope images. In the first study, a data set of two different bacterial species was created by us. For the detection and classification of bacteria, the domain proposition object detection algorithm Faster R-CNN and the transfer learning approach were used together. As a result of the training and testing of the model, it was seen that the transfer learning approach had a positive effect on the detection and classification success of bacteria. In the second study, DIBaS dataset, consisting of microscope images of 33 different species, was used to classify bacteria. In the model proposed in the study, firstly, the features of the microscope images were obtained by using the DenseNet201 deep neural network with the transfer learning approach. Then, a new feature vector was created from the best features determined by Information Gain, Chi-Square Test, Symmetric Uncertainty and ReliefF feature selection algorithms. The best combined features were classified by training with the machine learning-based classifier Support Vector Machine (SVM). The proposed feature selection approach contributed both to the working speed of the model and to the classification success. In the third study, the Tuberculosis data set created with sputum smear microscope images was used. For the diagnosis of Bacterial Tuberculosis disease, the features of the data set were obtained using Vgg19, ResNet50 and DenseNet201 with the transfer learning approach. After the features are combined, they are weighted with Neighborhood Component Analysis (NCA) and the best ones are selected. The selected features are trained with SVM and the performance of the model is calculated. Thanks to the feature selection approach proposed in the model, the best features that directly affect the classification performance of the model are used, and the feature vector size is reduced by removing the unnecessary ones. Thanks to this process, both the classification accuracy of the model is increased and the working speed and performance are maximized.