Tez No	İndirme	Tez Künye	Durumu
787404		İnsan idrar sedimenti mikroskobik içeriğinin derin öğrenme temelli yapay zeka sistemi ile belirlenmesi / Determining the microscopic content of human urine sediment by deep learning based artificial intelligence system Yazar:YUNUS EMRE YÖRÜK Danışman: PROF. DR. HAMDİ MELİH SARAOĞLU Yer Bilgisi: Kütahya Dumlupınar Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı / Elektrik Elektronik Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Biyoteknoloji = Biotechnology ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Biyomedikal teknoloji = Biomedical technology ; Biyomedikal uygulamalar = Biomedical applications ; Hücresel yapay sinir ağları = Cellular artificial neural networks ; Sayısal görüntü işleme = Digital image processing ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2023 124 s.
İdrar sıvısı mikroskop ile dikkatli ve doğru bir şekilde incelendiğinde vücut sağlığı hakkında önemli bilgiler vermektedir. Bu nedenle, çoğu hastanede bulunan otomatik idrar analizörleri ile teşhis ve tedavide kullanılmak üzere idrar tahlilleri yapılmaktadır. Geleneksel görüntü işleme tekniklerini kullanan idrar analizörlerinin görüntü işleme birimlerinde derin öğrenme temelli yapay zeka sistemlerinin kullanılması ile performanslarının geliştirilebileceği düşünülmüştür. Bu çalışmada, görüntülerde nesne tespiti yapabilen ve nesnelere piksel bazında sınırlar çizebilen Mask R-CNN derin öğrenme sistemiyle mikroskobik idrar görüntülerindeki bakteri, epitel, eritrosit, lökosit, kristal ve mantar içerikleri tespit edilmiştir. ResNet101 ve ResNet50 CNN modelleri omurga olarak kullanılmıştır. Daha az sistem kaynağı ile çalışabilen Mask R-CNN modeli oluşturmak amacıyla MobileNet ağı da uyarlanmış ve toplamda üç adet omurga ile çalışılmıştır. Ayrıca, boyut farklılığının nesne tespitine etkisini inceleyebilmek amacıyla RPN çapa boyutları parametresinin farklı durumları değerlendirilmiştir. Mask R-CNN ile yapılan nesne tespitinde maske ve sınırlayıcı kutu olmak üzere iki tip sınır çizilmektedir. Bu nedenle, her iki sınır belirleme tipi için ayrı ayrı performans değerlendirmesi yapılmıştır. Sistemi test etmek için 1154 idrar içeriği örüntüsü yer alan test seti kullanılmıştır. Örüntülerin doğru tespit oranını bulmak için yapılan hesaplamada en yüksek değer maskelerle %69,15 ve sınırlayıcı kutularla %73,31 olarak MobileNet omurgasının kullanıldığı durumda elde edilmiştir. En iyi mAP değerleri de maskeler için 0,774 ve sınırlayıcı kutular için 0,836 olarak ResNet101 omurgasının kullanıldığı durumda elde edilmiştir. Performans değerleri sistemin daha fazla idrar görüntüsü ile eğitilmesi durumunda ve daha iyi optimizasyon ile geliştirilebilir. Bu çalışma ile Mask R-CNN derin öğrenme sisteminin idrar tahlili için kullanılabileceği gösterilmiştir.
Urine is examined with a microscope; it can give important information about the body health. At the hospitals, a lot of urinary analysis are done on automatic urine analyzers and medical information is obtained for diagnosis or treatment. It is thought that urine analyzers, which use traditional image processing techniques, can be further developed if deep learning based artificial intelligence methods are used in image processing unit. In this study, the contents of bacteria, epithelium, erythrocyte, leukocyte, crystal, and yeast in microscopic images of human urine were determined by implementing Mask R-CNN deep learning system. It can detect objects in images and do instance segmentation. ResNet101 and ResNet50 CNN models are used as backbones. In order to create a Mask R-CNN model that can operate with less system resources, the MobileNet network has also been adapted and worked with a total of three backbones. Also, examine the effect of size difference on object detection, different values of the RPN anchor scale parameter were evaluated. In object detection with Mask R-CNN, two types of boundaries are drawn as masks and bounding boxes. For this reason, separate performance evaluations were made for masks and bounding boxes. A test set with 1154 urine content patterns was used to test the system. The highest detection rate of these patterns was 69.15% for masks and 73.31% for bounding boxes when the MobileNet backbone was used. The best mAP values were obtained using the ResNet101 backbone; 0.774 for masks and 0.836 for bounding boxes. These performance values can be developed training with more urine images and better optimization. With this study, it has been shown that Mask R-CNN deep learning system can be used for urinalysis.