Tez No	İndirme	Tez Künye	Durumu
56680	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Hydips: A Hybrid neural network based diagnostic tool for perinatal surveillance / Perinatal takipte bir hibrit nöron ağına dayanan tanı aracı Yazar:NAZİFE BAYKAL Danışman: PROF. DR. NEŞE YALABIK Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Doppler kan akım ölçeri = Doppler blood flow velocity ; Perinatoloji = Perinatology ; Yapay sinir ağları = Artificial neural networks	Onaylandı Doktora İngilizce 1996 179 s.
oz PERINATAL TAKİPTE BİR HIBRID NÖRON A?INA DAYANAN TANI ARACI Baykal, Nazife Doktora, Bilgisayar Mühendisliği Bölümü Tez Yöneticisi: Prof. Dr. Neşe Yalabık Ortak Tez Yöneticisi: Assoc. Prof. Dr. Aydan Erkmen Eylül 1996, 158 sayfa Doppler ses ötesi algılayıcı kullanılarak, göbek kordonu üzerinde bulunan atardamardan (umbilikal arter) alınan kan akım hızı dalga ölçümleri, doğum öncesi yaşamda, anne karnındaki bebeğin durumunu değerlendirmek için kul lanılır. Doppler dalgalarının özellikle önemli olduğu ispatlanmıştır. Çünkü, um bilikal arterden geçen iyi kan akımı, anne karnındaki bebeğin iyi oksijen aldığının göstergesidir. Fakat, Doppler ölçümlerinin öngörüsü ile birlikte, dalgaların açık lanmasında seçilen parametrelerin (indices) kritik etkisini de içeren bir belirsizlik süregelmektedir. Bu tez çalışmasında, Doppler dalgalarını analiz eden ve katego- virilere sınıflayan bir yazılım paketi hazırlanmıştır. Nöron ağları, öznitelik seçmede ve sınıflandırmada kullanılmıştır. Bu çalışmada, denetimsiz Özdüzenlemeli Özellik Haritaları (Self-Organizing Feature Map) ile denetimli Geri Yayılım (Back Prop agation) nöron ağları kapsayan hibrid bir yaklaşım kullanıldı. Denetimsiz bir öğrenme metodu, Yenilenmiş Özdüzenlemeli Özellik Haritaları öznitelik çıkarmada kullanıldı. Öznitelik uzayından Doppler sinyallerinin ayırımını arttırıcı öznitelikleri seçmek için elle-ayarlama işlemi gerçekleştirildi. Sonra, lineer olarak bağımsız küçük bir öznitelik seti Step-Down Logistic Regression metodu kullanılarak seçildi. Sınıflandırma daha sonra Geri Yayılım öğrenme algoritması kullanılarak gerçek leştirilmiştir. Bu hibrid sistem, iki ayrı sınıflandırma örneği ile denenmiştir. İlk örnekte, Doppler dalgaları Normal, Şüpheli ve Anormal olarak sınıflandırıldı. İkinci örnekte ise dalgalar "Sınıflandırma Dereceleri" ne göre beş gruba (l'den 5'e) sınıflandırıldılar. 199 normal ve yüksek riskli hastadan alman umbilical arter kan akım hızı dalgalarının sınıflandırma sonuçları, gerçek hasta sonuçları ile karşılaştırıldığında sonuçların %90 ile %98 arasında uyumlu olduğu saptanmıştır. Bu çalışmanın sonunda, umbilical arter dalgalarının nöron ağ yapısı kul lanılarak otomatik bir sistemle sınıflandırılmasının mümkün olduğu ve doğum sonrası gerçek sonuçla yüksek bir oranda doğru orantılı olduğu gösterildi. Ayrıca, denetimsiz, Yenilenmiş Özdüzenlemeli Özellik Haritaları metodunun yararlı öz nitelik uzayını oluşturmada çok kuvvetli bir yaklaşım olduğu ispatlandı. Bu tez çalışmasında hazırlanan yazılım programı otomatik rapor oluşturulması ve karar yardımı konularında kullanılabilir. Buna ek olarak, bebeğin göbek kordunu üzerinde bulunan atardamar kan akım hızı dalgalarının bulunan 7 özniteliğinin kuvvetli öngörüsü olduğu keşfedildi. viiAnahtar Kelimeler: Nöron Ağları, görüntü işleme, öznitelik çıkarmak, örüntü sınıflandırma, Dopler umbilikal arter kan akım hızı dalgaları vm
ABSTRACT HYDIPS : A HYBRID NEURAL NETWORK BASED DIAGNOSTIC TOOL FOR PERINATAL SURVEILLANCE Baykal, Nazife Ph.D., Department of Computer Engineering Supervisor: Prof. Dr. Neşe Yalabık Co-Supervisor: Assoc. Prof. Dr. Aydan Erkmen September 1996, 158 pages Doppler umbilical artery blood flow velocity waveform measurements are used in perinatal surveillance for the evaluation of fetal condition. Doppler waveforms have proven especially important since good blood flow in the umbilical artery reflects good oxygenation of the fetus. However, there is an ongoing debate on the predictive value of Doppler measurements concerning the critical effect of the selection of parameters for the interpretation of the waveforms. In this thesis work, a software package which analyzes and classifies the Doppler waveforms to the categories regarding the fetus's and mother's condition is achieved. Neu- 111rai networks are used for feature selection and classification. A hybrid approach in which an unsupervised learning method, a modified Self-Organizing Feature Map is used for feature extraction and a hand-tuning operation is performed on the feature space by selecting features that enhance discrimination between signals. Then, a smaller linearly independent set of features are selected using Step-Down Logistic Regression. Classification is then performed using Error Back Propagation network. This Hybrid system has been tested with two classification experiments. In the first experiment, Doppler waveforms are classified as Normal (N), Suspicious (S) and, Abnormal (A). In the second, waveforms are classified into five groups as in the form of Classification Grades (1 to 5). Results obtained from 199 normal and high risk patients' umbilical artery waveforms highlighted a classification concordance varying from 90 to 98 percent accuracy compared to actual patients' outcome. Based on the high accuracy of our systems' predictions, diagnostic warnings are provided for decision assistance using statistical signif icance of the relations of Classification Grade and actual pregnancy conditions and outcome. It was concluded that an automated system for classification of umbilical artery waveforms using neural networks is feasible and shows a very- high correlation with outcome. Further, the unsupervised Modified Self Organiz ing Feature Map method proved to be a very powerful approach to discovering useful feature space in complex data. Our system is useful for automated pre liminary report generation and decision assistance. In addition, seven features of umbilical artery waveforms are discovered that have strong predictive power. IVKeywords: Neural networks, image processing, feature extraction, pattern classi fication, Doppler umbilical artery blood flow velocity waveforms