Tez No	İndirme	Tez Künye	Durumu
743943		Derin öğrenme ile covıd-19, beyaz kan hücreleri, tüberküloz ve kalp krizi riskinin analizi / Analysis of covid-19, white blood cells, tuberculosis and heart attack risk by using deep learning Yazar:ÖMER Danışman: PROF. DR. İMAN ASKERBEYLİ ; DOÇ. DR. MEHMET SERDAR GÜZEL Yer Bilgisi: ANKARA ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Anahtar Kelime:Derin öğrenme = Deep learning ; Makine öğrenmesi = Machine learning ; Otokodlayıcılar = Autoencoders ; Yapay sinir ağları = Artificial neural networks ; Öğrenme transferi = Transfer of learning	Onaylandı Doktora Türkçe 2022 117 s.
Tıbbi görüntü verilerinin analizi, hastalıkların teşhisi ve buna bağlı olarak insan hayatı için kritik önem arz etmektedir. Son dönemde gerek akademik gerekse de tıp dünyasındaki potansiyeli sebebiyle röntgen, tomografi, ve MR gibi görüntülerin ve hastanın tahlillerinden elde edilen metin tabanlı verilerin işlenerek, hastanın durumuyla ilgili tespit yapılması yapay zekada en öne çıkmış çalışma alanlarından biridir. Bu tez çalışması kapsamında; röntgenler, mikroskobik kan hücreleri ve kalp krizi bulgularından hastalık teşhisi çalışmaları ve derin öğrenme teknikleri birleştirilerek optimize bir model üretilmiştir. Bu bağlamda çalışma boyunca üretilen model, hibrit bir modele dayalı yeni bir derin öğrenme tabanlı mimari sunmaktadır. Mimari temel olarak transfer öğrenme metodolojisinde otomatik kodlayıcı ve SVM sınıflandırıcı kullanılarak önceden eğitilmiş ağlara dayalı olarak tasarlanmıştır. Burada önerilen yöntemin temel katkıları; literatürde çoğunlukla kullanılan, önceden eğitilmiş modelleri optimize edilmiş bir Şekilde birleştiren bir hibrit model önermesi ve ayrıca evrişimli sinir ağı üzerinde öznitelik iyileştirilmesi işlemi için yeni bir sezgisel algoritma modellemesi geliştirilmesidir. Kapsamlı veri setleri temel alınarak gerçekleştirilen performans karşılaştırmaları, önerilen mimarinin literatürdeki diğer gelişmiş mimarilerden daha başarılı sonuç verdiğini göstermiştir.
The analysis of medical image and text data is critical for the diagnosis of diseases and, accordingly, for human life. In recent years, processing of images such as x-ray, tomography, MR and text-based data obtained from patients' analyzes and determination of the patient's condition is one of the most prominent areas in artificial intelligence due to its potential both in the academic and medical world. Within the scope of this thesis; An optimized model was produced by combining disease diagnostic approaches and deep learning methods from X-rays, microscopic blood cells and heart attack findings. In this context, the model provided in the study proposes a new deep learning-based architecture based on a hybrid model. The architecture is basically designed based on pre-trained networks using autoencoder and SVM classifier in transfer learning methodology. The essential contributions of the method proposed here are; Commonly used in the literature is a hybrid model proposition that combines pre-trained models in an optimized way, as well as the development of a new heuristic algorithm modeling for feature optimization operation on convolutional neural networks. Performance comparisons based on extensive datasets have shown that the proposed architecture outperforms the most advanced architectures in the literature.