Tez No	İndirme	Tez Künye	Durumu
380829		Yapay zeka teknikleri kullanarak kemik yaşı tespiti / Bone age determination using via artificial intelligence techniques Yazar:GÜR EMRE GÜRAKSIN Danışman: DOÇ. DR. HARUN UĞUZ Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2015 87 s.
Kemik gelişiminin değerlendirilmesi, gözlemci içi ve gözlemciler arası farklılıklara neden olabilen ve ayrıca normal çocuklarda oldukça fazla görülen çeşitliliklere bağlı olmak üzere değişebilen karmaşık bir süreçtir. Bu tez çalışmasında, 0-6 yaş arası çocukların kemik yaşı tespiti için bilgisayar tabanlı bir kemik yaşı teşhis sistemi önerilmiştir. Çalışmanın ilk aşamasında farklı ırk ve cinsiyete sahip 0-6 yaş arası çocuklara ait sol el-bilek röntgen görüntüleri üzerinde görüntü işleme teknikleri uygulanmış ve çocuklara ait bazı fizyolojik özelliklerle birlikte karpal kemikler ve radiyusun distal epifiz kemiği ile ilgili toplamda 9 farklı nitelik elde edilmiştir. Sonrasında niteliklere ait kazanç oranı yardımıyla en iyi 6 nitelik sınıflandırma işlemi için seçilmiştir. Seçilen bu nitelikler farklı yapay zeka teknikleri olan C4.5, sade Bayes, k en yakın komşu algoritması ve destek vektör makineleri algoritmaları kullanılarak sınıflandırılmıştır. Bu tez çalışmasının ikinci aşamasında ise destek vektör makineleri ile kemik yaşı değerlendirmesi için gerçekleştirilen sistemin eğitimi aşamasında destek vektör makinelerinin yürütme zamanı bakımından daha hızlı sonuç üretebilmesi için üç farklı eğitim verisi indirgeme yöntemleri incelenmiştir. Üçüncü ve son aşamasında ise 0-6 yaş arası çocuklarda destek vektör makineleri tabanlı kemik yaşı değerlendirme sistemi için parçacık sürü optimizasyonu tabanlı yeni bir eğitim algoritması önerilmiştir. Parçacık sürü optimizasyonu algoritması sayesinde eğitim için kullanılan her sınıf içerisinde bu sınıfı en iyi şekilde temsil edebilecek yeni birer örnek oluşturulmuştur. Bu sayede sistemin eğitim için hali hazırda kullanılan eğitim örneklerine bağlı kalmadan yeni örnekler ile destek vektör makinelerinin eğitimine olanak sağlanmıştır.
The evaluation of bone development is a complex task since it may cause intra-observer and inter-observer differences, and it may also vary depending on the variations observed very often in the normal children. In this thesis study, a computer-based diagnostic system to detect the bone age of the children aged between 0-6 years was proposed. In the first phase of the study, primarily the image processing procedure was applied on the x-ray images of the left hand-wrist of children aged between 0 and 6 from different ethnic groups and totally 9 features corresponding to the carpal bones and distal epiphysis of the radius bone along with some physiological attributes of the children were obtained. Afterwards, with the help of gain ratio, the best 6 features were selected for the classification process. These selected features were classified by using different artificial intelligence techniques such as C4.5, simple Bayes, k nearest neighbor algorithms and support vector machines. In the second stage of this thesis study, three different training data reduction methods were investigated so as to produce faster results in terms of execution time of the support vector machines at the stage of system training that is carried out by support vector machines to detect the bone age. In the third and final phase, a new particle swarm optimization based training algorithm was suggested for the bone age assessment system based on support vector machines in the children aged 0-6. By means of the particle swarm optimization algorithm, a new sample in each class was created to represent this class best, which is used for training. Thus, it provided the support vector machines with the training by the new samples, without depending on the currently used samples that are used for system training. In this proposed new method, system training is carried out by accepting the new the samples as the new support vectors, which were obtained by particle swarm optimization algorithm.