Yazar "Canatalay, Peren Jerfi" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    A bidirectional LSTM-RNN and GRU method to exon prediction using splice-site mapping
    (2022) Canatalay, Peren Jerfi; Uçan, Osman Nuri
    Deep Learning techniques (DL) significantly improved the accuracy of predictions and classifications of deoxyribonucleic acid (DNA). On the other hand, identifying and predicting splice sites in eukaryotes is difficult due to many erroneous discoveries. To address this issue, we propose a deep learning model for recognizing and anticipating splice sites in eukaryotic DNA sequences based on a bidirectional Long Short-Term Memory (LSTM) Recurrent Neural Network (RNN) and Gated recurrent unit (GRU). The non-coding introns of the gene are spliced out, and the coding exons are joined during the splicing of the original mRNA transcript. This bidirectional LSTM-RNN-GRU model incorporates intron features in order of their length constraints, beginning with splice site donor (GT) and ending with splice site acceptor (AG). The performance of the model improves as the number of training epochs grows. The best level of accuracy for this model is 96.1 percent.
  • Küçük Resim
    Öğe
    Derin öğrenme yöntemleri kullanılarak meme kanseri teşhisi
    (Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü, 2022) Canatalay, Peren Jerfi; Uçan, Osman Nuri
    Meme kanseri, kadınlar arasındaki başlıca ölüm sebeplerindendir. Mamografi ekipmanı aracılığıyla elde edilen X-Ray görüntüleri, meme kanserinin erken teşhisine yardımcı olmak açısından en sık kullanılan araçlardan biridir. Bu çalışmadaki amaç, meme kanseri görüntülerinin tümör içeren türlerini derin öğrenme tekniklerine odaklamaktır. Bu yöntemde pek çok parametre bulunmaktadır. Meme kanseri, fenomenin çok karmaşık olduğu ve ayrıca tümör türlerine ilişkin sayısız özelliğin bulunduğu bir hastalıktır. Bu çalışmada, meme kanserinin sınıflandırılabilmesi açısından mamogram görüntü işleme teknikleri ve çeşitli örüntü tanıma teknikleri kullanılmıştır. Tümör görüntü iyileştirmeleri, bölütleme, doku bazlı görüntü özelliği çıkarma ve daha sonra meme kanseri mamogram görüntüsünün sınıflandırılması için örüntü tanıma teknikleri başarılı bir biçimde gerçekleştirilmiştir. Hastalığın doğru metodolojiyle saptanması, tedavi edilebilmesi bakımından oldukça önemli bir rol oynamaktadır. Bu çalışmada; Derin Öğrenme tekniği ile 731186 X-Ray görüntüleri veri seti üzerinde işlem yapılarak; hastanın meme kanserine sahip olup olmadığı, kanser olduğu takdirde ise bunun iyi huylu (benign) ya da kötü huylu (malignite) olup olmadığına ilişkin karar verilmesi ele alınmaktadır. Bu X-Ray görüntülerinin %80'i eğitim amaçlı, %20'si ise test olarak uygulanmıştır. Yapılan çalışmada, X-Ray görüntülerinde farklı Derin Öğrenme tekniklerinin kullanılmasıyla meme kanseri teşhisi yapılmaktadır. Çalışma kapsamında iki metot önerilmiştir. Önerilen birinci metotta VGG19, ikinci metotta ise Resnet50 tekniği kullanılmıştır. Deneysel sonuçlar neticesinde; performansın VGG19 için %91,74 oranında, Resnet50 için ise %98.81oranında hatasızlık oranına ulaştığı görülmüştür. Böylece Resnet50 metodunun daha başarılı olduğu sonucuna ulaşılmıştır. Ek olarak bu verilerden hareketle yapılan çalışmada, meme kanseri X-Ray görüntülerinde kanser olup olmadığı, kanser ise hangi tür kansere sahip olduğu gösterilmiştir.