Tez No	İndirme	Tez Künye	Durumu
509837		Video görüntülerinin analizinde uç öğrenme makinesi sınıflandırıcı algoritmalarının kullanılması ve geliştirilmesi / Development of extreme learning machine based classification algorithms for analysis of video images Yazar:YASİN SÖNMEZ Danışman: PROF. DR. ENGİN AVCI Yer Bilgisi: Fırat Üniversitesi / Fen Bilimleri Enstitüsü / Yazılım Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2018 70 s.
Tıp biliminde video analizi konusu, görüntülerin mikroskobik boyutta yoğun ve hassas bilgiler içermesi açışından kritik öneme sahiptir. Mikroskop kameralar ile elde edilen videolarda hareketli nesne tespit ve takibi ile nesne hakkında anlamlı ve yorumlanabilir bilgi elde edilmesi süreci, video analizi olarak tanımlanabilir. Bu tez çalışmasında, video görüntülerinin analizinde uç öğrenme makinesi sınıflandırıcı algoritmalarının kullanılması ve geliştirilmesi çalışması gerçekleştirilmiştir. Geliştirilen bu Melez (M) - Diferansiyel Gelişim Algoritması (DGA) – Uç Öğrenme Makinesi (UÖM) yönteminin başarımını test etmek için elde edilmiş gerçek sperm videoları üzerinde sperm motilitesinin doğru sınıflandırılması çalışması yapılmıştır. Tıp literatüründe sperm ile dölleme yapan erkek bireylerin, erkek infertilite probleminin başlıca sebebi sperm kalitesinin düşük olmasıdır. Spermin kalitesi, konsantrasyon (sayısı), motilite (hareketliliği) ve morfoloji (yapısı) değerleri ile belirlenir. Problemin tespiti için uzmanlar tanı aşamasında spermiyogram testi yapmaktadırlar. Bu test motilite ve morfoloji analizinden oluşup klasik veya bilgisayar destekli yöntemler ile yapılabilir. Klasik yöntem motilite analizi; uzman kişilerin semen sıvısını mikroskop altında göz ile deneyimlerine dayalı olarak sperm hücre hareketlilik sınıfını belirlemesidir. Bilgisayar destekli yöntemler ise sperm hücre hareketini video analizi ile tespit edip, sınıflandıran yazılım ve donanım ikilisinden oluşan sistemlerdir. Çalışmanın özel amacı sperm hücresinin hareketi ile oluşan öznitelik parametrelerini video analiz yöntemleri ile tespit ederek; Uç Öğrenme Makinesi sınıflandırıcı algoritmaları ile sınıflandırmaktır. Bu amaçla tasarım ve uygulaması yapılan sistem üç aşamadan oluşmaktadır. Birinci aşamada sperm hareket videolarında her bir sperm hücresinin tespiti için arka/ön plan bölütleme yöntemlerinden Gauss Karışım Modeli ve takibinin yapılabilmesi için Kalman Filtre-Macar Algoritması yöntemleri kullanılmıştır. İkinci aşamada tespit edilen hareketli her sperm hücresine ait koordinat bilgilerini kullanarak sperm hareket öznitelik parametre verileri elde edilmiştir. Son aşamada ise hareket öznitelik parametre verileri UÖM ile sınıflandırma yapılarak sonuçları irdelenmiştir. Sonuçlar değerlendirildiğinde UÖM yönteminin başarımı diğer sınıflandırma yöntemlerine (YSA, DVM ve NB) kıyasla en yüksek çıkmıştır. Bu tez çalışmasında yenilik olarak, UÖM'nin gizli katman hücre sayıları ve aktivasyon fonksiyon seçim işlemi geliştirdiğimiz M-DGA-UÖM yöntemi ile optimize edilmiştir. Böylelikle, UÖM'nin sperm motilitesinin doğru sınıflandırma başarımı arttırılmıştır. Ayrıca uygulaması yapılan M-DGA-UÖM yazılım sistemi paket bir program haline getirilerek, yapay öğrenme tabanlı sperm motilite analizi olarak kullanılması hedeflenmiştir. M-DGA-UÖM tabanlı bu yazılım bir taraftan yapay öğrenme tabanlı sistemlerin gelişimine katkı sunarken öbür taraftan da klinik açıdan erkek infertilite probleminin çözümünde etkili olacak teşhis yöntemlerinin gelişmesine katkıda bulunacaktır.
Video analysis is of critical importance in medical science with regard to the microscopic-size intensive and sensitive data contained by the images. Video analysis can be defined as the process of obtaining meaningful and interpretable information about objects with moving object recognition and monitoring in videos recorded with microscopic cameras. In this thesis study, the use and development of Extreme Learning Machine (ELM) algorithms were performed in the analysis of video images. In order to test the performance of this developed hybrid (Hybrid-Differancial Evolation-Extreme Learning Machine) method, the correct classification of sperm motiles was performed on real sperm videos obtained. In medical literature, the primary cause of infertility problem in males who use sperms for fertilization is the low quality of sperms. The quality of sperm is determined with concentration (count), motility (movement) and morphology (structure) values. Specialists implement a spermiogram during diagnosis to detect the problem. This test consists of motility and morphology analysis and can be implemented using conventional or computer-assisted methods. In conventional motility analysis, specialists determine the sperm cell motility class by visual examination of seminal fluid under microscope. Computer-assisted methods, which is made up of software and hardware systems that detect and classify the sperm cell motility by video analysis. The aim of this thesis study is to detect feature parameters resulting from the motility of sperm cells with video analysis methods and to classify them with (ELM) classifier algorithms. To this end, the designed and applied system consists of three stages. In the first stage, Gauss Mixture Model which is one of the background/foreground segmentation methods was used for the recognition of each sperm cell in sperm motility videos and Kalman Filter-Hungarian Algorithm methods were used for monitoring them. In the second stage, sperm motility feature data were obtained by using coordinate information of each recognized motile sperm cell. In the final stage, motility feature data were classified with ELM and results were examined. Assessment of results shows that the performance of ELM method was higher compared to other classification methods (ANN, SVM and NB). What's new in this thesis study is that ELM's hidden layer cell counts and activation function selection process were optimized with the DE-ELM method developed by us, thereby increasing the performance of ELM. Furthermore, the applied software system was developed into a program package and aimed to use as artificial intelligence-based sperm motility. This aim contributes to the development of artificial intelligence-based systems on one hand and of diagnosis methods that will be clinically effective in the solution of infertility problem in men on the other.