Browsing by Author "Ervural, Saim"

Now showing 1 - 6 of 6

Citation - WoS: 5
Citation - Scopus: 5
Classification of Medical Thermograms Belonging Neonates by Using Segmentation, Feature Engineering and Machine Learning Algorithms
(INT INFORMATION & ENGINEERING TECHNOLOGY ASSOC, 2020) Örnek, Ahmet Haydar; Ervural, Saim; Ceylan, Murat; Konak, Murat; Soylu, Hanifi; Savaşçı, Duygu
Monitoring and evaluating the skin temperature value are considerably important for neonates. A system detecting diseases without any harmful radiation in early stages could be developed thanks to thermography. This study is aimed at detecting healthy/unhealthy neonates in neonatal intensive care unit (NICU). We used 40 different thermograms belonging 20 healthy and 20 unhealthy neonates. Thermograms were exported to thermal maps, and subsequently, the thermal maps were converted to a segmented thermal map. Local binary pattern and fast correlation-based filter (FCBF) were applied to extract salient features from thermal maps and to select significant features, respectively. Finally, the obtained features are classified as healthy and unhealthy with decision tree, artificial neural networks (ANN), logistic regression, and random forest algorithms. The best result was obtained as 92.5% accuracy (100% sensitivity and 85% specificity). This study proposes fast and reliable intelligent system for the detection of healthy/unhealthy neonates in NICU.
Citation - WoS: 5
Citation - Scopus: 6
Classification of Neonatal Diseases With Limited Thermal Image Data
(SPRINGER, 2022) Ervural, Saim; Ceylan, Murat
Evaluation of body temperature and thermal symmetry in neonates is important in monitoring health conditions and predicting potential risks. With thermography, which is a harmless and noncontact method, diseases in neonates can be detected at an early stage using appropriate artificial intelligence techniques. Medical imaging is limited due to neonates' sensitivity to the thermal environment. This study proposes a classification model for classification problems with limited data (specifically, neonatal diseases) using data augmentation and artificial intelligence methodology. In the study, a multi-class classification was performed by combining images produced by data augmentation and employing the ability of convolutional neural networks to learn important features from the images, with 4 classes ranging from 8 to 16 newborns in each class. That is, there are four classes: 34 neonatal with abdominal, cardiovascular, and pulmonary abnormalities and 10 neonatal undiagnosed (premature). The dataset was created by taking 20 images from each of the 44 neonates. To test the performance of the proposed method, six different data separation experiments were conducted. Although the best classification accuracy is 94%, the 89% value obtained in the experiment when the model was tested with image samples of babies that had not been used in training the model is more significant for the model.
Citation - WoS: 7
Citation - Scopus: 9
Convolutional Neural Networks-Based Approach To Detect Neonatal Respiratory System Anomalies With Limited Thermal Image
(INT INFORMATION & ENGINEERING TECHNOLOGY ASSOC, 2021) Ervural, Saim; Ceylan, Murat
Respiratory system diseases in neonates are thought-about major causes of neonatal morbidity and mortality, particularly in developing countries Early diagnosis and management of these diseases is very important. Thermal imaging stands out as a harmless non-ionizing method, and monitoring of temperature changes or thermal symmetry is used as a diagnostic tool in medicine. This study aims to detect respiratory abnormalities of neonates by artificial intelligence using limited thermal image. Convolutional neural network (CNN) models, although a powerful classification tool, require a balanced and large amount of data. The conditions that require the attention of infants in neonatal intensive care units make medical imaging difficult. It may not always be possible to have much data in the neonatal thermal image database, as in some real-world problems. To overcome this, an effective deep learning model and various data enhancement techniques were used and their effects on the classification results were observed. Neonates with respiratory abnormalities were evaluated in one class, with cardiovascular diseases and abdominal abnormalities were evaluated in the other class. As a result, when the number of images is increased by 4 times with data augmentation, it was determined that the classification accuracy increased from 84.5% to 90.9%.
Citation - WoS: 23
Citation - Scopus: 29
Health Status Detection of Neonates Using Infrared Thermography and Deep Convolutional Neural Networks
(ELSEVIER, 2019) Örnek, Ahmet Haydar; Ceylan, Murat; Ervural, Saim
Protection of body temperature is critically important for health. Diseases and infections cause local temperature imbalances in the body. Infrared Thermography (IRT), which is a non-invasive and non-contact method, has been used in medical applications for decades. Pre-diagnosis and follow-up treatment systems can be realized by monitoring the temperature distribution in the body. In this study, IRT and deep Convolutional Neural Networks (CNNs) models were used together for the first time to detect the health status of neonates. Neonatal thermal images have been taken in the Neonatal Intensive Care Unit (NICU) of Selcuk University, Faculty of Medicine (Konya, Turkey), over a one-year period. Neonatal thermal images were obtained from selected 19 healthy and 19 unhealthy neonates. Data augmentation methods, such as brightness enhancement, color transformation, resolution and contrast changes, and the addition of different noises, were applied to the thermal images for the training of a CNN model. A number of 3800 thermal images taken from neonates in NICU were augmented to 15,200 and 30,400 thermal images. Then, using CNNs, 380, 3800, 15,200, and 30,400 neonatal thermal images were classified as healthy and unhealthy. The optimal result obtained was with 99.58% accuracy, 99.73% specificity, 99.43% sensitivity, and 0.996 AUC for the 30,400 thermal images employed, Using the proposed system, 15,159 of 15,200 thermograms belonging to healthy premature babies were classified as healthy, whereas 15,114 of 15,200 thermograms of premature babies, diagnosed with at least one disease, were determined as unhealthy.
Sınırlı Veri Setiyle Sınıflama Uygulamalarına Yeni Bir Yaklaşım
(Konya Teknik Üniversitesi, 2021) Ervural, Saim; Ceylan, Murat
Doğumdan sonraki ilk yirmi sekiz gün yenidoğan periyodu olarak adlandırılmaktadır. Doğumsal anomaliler veya sonradan gelişen hastalıklar bu süre içinde ölüm oranının yüksek olmasına neden olmaktadır. Yenidoğan yoğun bakım ünitelerinde yer alan inkübatörlerde bakım ve tedavileri yapılan bebeklerin ani değişim gösterebilen vücut sıcaklıklarının hızla tespit edilmesi, sağlık durumlarının izlenmesinde önem kazanmaktadır. Yenidoğanda vücut ısısının ve termal simetrinin değerlendirilmesi, sağlık koşullarının izlenmesinde ve potansiyel risklerin tahmin edilmesinde önemlidir. Zararsız ve temassız bir yöntem olan termografi ile uygun yapay zekâ teknikleri kullanılarak yenidoğandaki hastalıkları erken aşamada tespit etmek mümkün olabilir. İnkübatörler bebeklerin tedavi ve bakımlarının yapıldığı, sıcaklık, nem, oksijen gibi parametrelerin kontrol altında tutulduğu yaşam alanlarıdır. Hastalıklara karşı savunma mekanizmalarının gelişmemiş olması, solunum desteğine ve fizyolojik parametrelerinin izlendiği cihazlara bağlı bulunmaları, termal izolasyonun sağlanma gereksinimi gibi faktörler mevcuttur. Ayrıca bazı hastalık kategorilerine sık rastlanırken, bazı hastalıklar nadiren görülmektedir. Yenidoğan yoğun bakım ünitelerinde karşılaşılan vaka çeşitliliği ve yenidoğan görüntülemenin hassasiyetle uygulanma gerekliliğinden yenidoğanların konfor alanını bozmadan tüm hastalık gruplarında yeterli sayıda görüntü popülasyonu içeren veri tabanları oluşturulamamaktadır. Tez çalışmasında az veri ile yenidoğan hastalıkları hakkında bilgi edinmeyi amaçlayan teknikler kullanılarak sınırlı sayıda veri içeren problemlere yönelik verimli sınıflama yöntemleri ve ön-tanı sistemleri geliştirilmiştir. Böylece veri sayısının yetersiz olduğu hastalıkların sınıflanması sağlanmıştır. Yeni doğan bebeklere ait tüm termogramlar Selçuk Üniversitesi, Tıp Fakültesi, Yeni Doğan Yoğun Bakım ünitesinde kaydedilmiş ve bir termal görüntü veri tabanı oluşturulmuştur. Geleneksel yapay zekâ yöntemlerine dayalı nesne sınıflama algoritmaları binlerce görüntü ve çok büyük veri kümeleri üzerinde eğitim gerektirirler. Sınıflama problemlerinde sık karşılaşılan durumlardan biri veri sayısının az olması ve bazı sınıflarda hiç verinin bulunmamasıdır. Bu problemin üstesinden gelebilmek için daha fazla veri toplamak gerekmektedir. Daha fazla veri toplamanın mümkün olmadığı durumlarda ise eldeki az miktarda veriyi çeşitli yollarla artırmak ve az veri ile öğrenmenin yollarını araştırmak gerekmektedir. Tez çalışmasında veri sayısının az ve dengesiz olması problemine karşılık verimli sınıflama yaklaşımları önerilmiştir. Bu kapsamda derin öğrenme ve veri artırma yaklaşımları ile kardiyovasküler hastalıklar, pulmoner anomaliler, nekrotizan enterokolit, intestinal atrezi, enfeksiyon hastalıkları ve özofagus atrezinin sınıflanması gerçekleştirilmiştir. İlk kez bu çalışma ile yenidoğan hastalıkları çok sınıflı olarak ele alınmış ve sınırlı sayıda veri örneği bulunan hastalıklar yüksek başarımla ayırt edilmiştir. Yürütülen uygulamalar dört başlık altında gerçekleştirilmiştir. Farklı evrişimli sinir ağları modelleri ve Siyam sinir ağları ile tek atış öğrenme yaklaşımı kullanılan çalışmalardan ilkinde tam bağlı ağ katmanında yapay sinir ağları ve destek vektör makinesi kullanılan evrişimli sinir ağları ile 'abdominal ve renal hastalıklar', 'kardiyovasküler hastalıklar' ve 'pulmoner anomaliler' veri artırma tekniklerinin yardımıyla %83 doğrulukla sınıflanmıştır. Önerilen ikinci yöntemde, dört hastalık sınıfı için altı farklı yaklaşım önerilmiş ve en yüksek doğruluk %94.55 olarak elde edilmiştir. Yenidoğanlarda en sık karşılaşılan durumlardan biri olan pulmoner anomalilerin belirlenmesi için yapılan çalışmada evrişimli sinir ağı modeli geliştirilmiş ve veri artırmanın etkileri incelenmiştir. Bu uygulamada 34 yenidoğandan alınan görüntüler üzerinde veri artırımının sınıflama doğruluğunu %84'ten %91'e yükselttiği tespit edilmiştir. Bir başka uygulamada ise Siyam sinir ağları ve tek atış öğrenme yaklaşımı kullanılarak veri sayısının az olduğu hastalıkların (nekrotizan enterokolit, özofagus atrezisi ve intestinal atrezi vb.) tespitinde uzmanlara ön-tanı sağlamak için çok sınıflı sınıflama çalışması gerçekleştirilmiştir. İki farklı optimizasyon tekniği ve veri artırımı kullanılarak, 2 sınıflı ve 3 sınıflı değerlendirme yaklaşımlarında test edilen yöntem ile sadece birkaç örnek veri bulunan kritik hastalıklar sınıflanmıştır. Sinir ağı modeli tarafından hiç görülmeyen sınıfların test edilebildiği tek atış öğrenme yaklaşımı sonuçlarına göre katman-bazlı stokastik grayan inişi algoritması veri artırımı ile kullanıldığında ortalama %92.50 doğruluk değeri vermiştir. Hastalık türü baz alınarak çıkarılan sonuçlar enfeksiyon hastalıkları ve özofagus atrezide %100, intestinal atrezide %99.17, nekrotizan enterokolitte %94.17 doğruluk elde edildiğini göstermektedir.
Citation - WoS: 8
Citation - Scopus: 7
Thermogram Classification Using Deep Siamese Network for Neonatal Disease Detection With Limited Data
(Taylor & Francis Ltd, 2022) Ervural, Saim; Ceylan, Murat
Monitoring the body temperatures and evaluating the thermal asymmetry of newborns give an idea about neonatal diseases. Infrared thermography is a non-invasive, non-harmful, and non-contact modality that allows the monitoring of the body temperature distribution. Early diagnosis using a limited data set is extremely vital due to the high mortality rate in newborns and some difficulties in neonatal imaging. Thermography stands out as a useful tool in detecting neonatal diseases compared to other techniques. However, creating a thermogram database consisting of thousands of images from each class required by traditional artificial intelligence methods, is impossible due to the sensitivity of newborns. One of the meta-learning models that has recently gained success in applying limited data learning, especially one-shot, in various fields is Siamese neural networks. In this work, we perform a multi-class classification to provide pre-diagnosis to experts in disease detection using Siamese neural networks. By using two different optimisation techniques and data augmentation, critical diseases with only a few sample data are classified using the method tested in two- and three-class evaluation approaches. The results based on the disease type achieve 99.4% accuracy in infection diseases and 96.4% oesophageal atresia, 97.4% in intestinal atresia, and 94.02% in necrotising enterocolitis.