Weight optimized cnn+mlp using modified enhanced artificial ecosystem for Covid-19 detection
| dc.contributor.advisor | Koyuncu, Hakan | |
| dc.contributor.author | Mahmood, Munaf Adeeb | |
| dc.date.accessioned | 2025-02-07T08:07:03Z | |
| dc.date.available | 2025-02-07T08:07:03Z | |
| dc.date.issued | 2021 | en_US |
| dc.department | Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Makine öğrenimi tıbbi araştırma çabalarının ön saflarında yer alıyor. Araştırmacıların ve uygulayıcıların, bu tür hastalıkların yayılmasını tahmin etmek ve enfekte olanları çok daha yüksek bir güvenle tespit etmek için COVID-19 karşısında bilinçli bir karar vermelerine yardımcı olacak bir araç olarak hizmet vermektedir. Bu çalışma, metinsel klinik verilerle birleştirilmiş X-ışını taramalarını kullanarak COVID-19'u Pnömoniden sınıflandırmak için bir yapay zeka çerçevesi tasarlama ve geliştirme sürecini özetlemektedir. Bu çalışmanın temel amacı, birden fazla sinir ağı türünü birleştirmek ve sinir ağının ağırlıklarını optimize etmede meta-sezgisel algoritmalar kullanmanın etkisini incelemektir. Önerilen çerçeve aynı zamanda sonucu etkileyebilecek gereksiz özellikleri ortadan kaldırmak amacıyla her akciğer için bir maske oluşturmak amacıyla önceden eğitilmiş bir ResNet34 modelini kullanan bir akciğer segmentasyon sürecini de kullanır. Eğitim verileri, her hastanın yaş ve cinsiyetini içeren metinsel tıbbi verileriyle birlikte, COVID-19 ve Pnömoninin 579 bölümlü X-ışını (AP, PA görünümleri) görüntüsünden oluşur. Önerilen çerçeve, ağırlık optimizasyonu olmadan %94,32'ye kıyasla %97,85'lik bir doğruluk elde etti. Ayrıca, COVID-19'un tespit edilmesinde modelin uygulanabilirliğini değerlendirmek için literatürdeki diğer birkaç mimariyle kapsamlı bir karşılaştırma kullanıldı. | en_US |
| dc.description.abstract | Machine learning has been at the forefront of medical research efforts. It serves as a tool to assist researchers and practitioners in making an informed decision in the face of COVID-19 to forecast the spread of such diseases and identify the infected with much higher confidence. This study outlines the process of designing and refining an AI framework to classify COVID-19 from Pneumonia using X-ray scans combined with textual clinical data. The primary objective of this study is to merge multiple types of neural networks and study the effect of using metaheuristic algorithms in optimizing the weights of the neural network. The proposed framework also utilizes a lung segmentation process using a pre-trained ResNet34 model to generate a mask for each lung to eliminate the unnecessary features that might affect the result. The training data consists of 579 segmented X-ray (AP, PA views) images of COVID-19 and Pneumonia with each patient's textual medical data that include age and gender. The proposed framework achieved an accuracy of 97.85% compared to 94.32% without weight optimization. Furthermore, an extensive comparison with several other architectures from the literature was used to evaluate the model viability in detecting COVID-19...... | en_US |
| dc.identifier.endpage | 71 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=nLNfCsWgUluh5T2iyudShhRQTHqh9MXPiHPHrZ_i-YnwDP7WTFYlTqLrnwdM-a-H | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12939/5716 | |
| dc.identifier.yoktezid | 825982 | |
| dc.institutionauthor | Mahmood, Munaf Adeeb | |
| dc.language.iso | en | en_US |
| dc.publisher | Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.snmz | KA_TEZ_20250206 | |
| dc.subject | Elektrik ve Elektronik Mühendisliği | en_US |
| dc.subject | Electrical and Electronics Engineering | en_US |
| dc.title | Weight optimized cnn+mlp using modified enhanced artificial ecosystem for Covid-19 detection | |
| dc.title.alternative | Covid-19 tespiti için değiştirilmiş geliştirilmiş yapay ekosistem kullanılan ağırlık optimizasyonu CNN+MLP | |
| dc.type | Master Thesis |
Dosyalar
Orijinal paket
1 - 1 / 1
