Browsing by Author "Msonda, Pike"

Now showing 1 - 2 of 2

Derin Öğrenme Tekniklerini Kullanarak Otomatik Tüberküloz Teşhisi
(Konya Teknik Üniversitesi, 2020) Msonda, Pike; Uymaz, Sait Ali; Karaağaç, Seda Soğukpınar
Son yıllarda, makine öğrenimi tekniklerini kullanan otomatik teşhis, araştırmaların odak noktası olmuştur. Sınıflandırıcıların, belirli bir görevi eğitimli bir meslek kadar iyi yerine getirebilme yeteneği, birçok uygulamaya kapı açar. Mycobacterium Tuberculosis (TB), hastalığı hızlı bir şekilde teşhis edip tedavi edebilen zayıf sağlık sistemi altyapısı nedeniyle gelişmekte olan ülkelerin çoğunu rahatsız eden ölümcül bir hastalıktır. Dünya Sağlık Örgütü (WHO), yeni enfeksiyonlarda ve ölümlerde önemli azalma için 2030 ve 2035 yıllarını kilometre taşları olarak belirledi. WHO, TB'nin doğru bir şekilde teşhis edilmesini ve endemik olarak yok edilmesini yavaşlatan faktörleri iyi eğitimli profesyonellerin bulunmamasına ve yetersiz veya kırılgan halk sağlığı sistemlerine bağlamaktadır. Evrişimli sinir ağları (CNN'ler), bilgisayarlı görü alanında, yani görüntü tanıma ve algılama alanında dikkate değer bir başarı göstermektedir. Bu nedenle, CNN'nin radyoloji ile birleşen görüntü sınıflandırmasındaki başarısı, bu yöntemi potansiyel TB hastalarının Göğüs Röntgeni (CXR) görüntülerini sınıflandırmak ve hızlı tanı koymak için mükemmel bir aday haline getiriyor. Bu çalışmada, iki kamuya açık veri seti kullanılarak eğitilen üç tür CNN ve Konya Eğitim ve Araştırma Hastanesi'nden toplanan yeni bir veri setiyle oluşturulan CNN tanımlanmaktadır. Ayrıca, CNN mimarilerine, uzaysal kutular kullanılarak sağlam özellik havuzlama yeteneği ile evrişimli sinir ağlarını donatan bir metodoloji olan Uzamsal Piramit Havuzlama (SPP) adlı ekstra bir katman entegre edildi. Sonuçlarımız, otomatik bir sistemin, akciğer tüberkülozunu teşhis etmede bir radyolog profesyonelinin üzerinde doğruluk oranına sahip olduğunu göstermiştir.
Citation - WoS: 30
Citation - Scopus: 38
Spatial Pyramid Pooling in Deep Convolutional Networks for Automatic Tuberculosis Diagnosis
(INT INFORMATION & ENGINEERING TECHNOLOGY ASSOC, 2020) Msonda, Pike; Uymaz, Sait Ali; Karaağaç, Seda Soğukpınar
In recent decades, automatic diagnosis using machine-learning techniques have been the focus of research. Mycobacterium Tuberculosis (TB) is a deadly disease that has plagued most developing countries presents a problem that can be tackled by automatic diagnosis. The World Health Organization (WHO) set years 2030 and 2035 as milestones for a significant reduction in new infections and deaths although lack of well-trained professionals and insufficient or fragile public health systems (in developing countries) are just some of the major factors that have slowed the eradication of the TB endemic. Deep convolutional neural networks (DCNNs) have demonstrated remarkable results across problem domains dealing with grid-like data (i.e., images and videos). Traditionally, a methodology for detecting TB is through radiology combined with previous success DCNN have achieved in image classification makes them the perfect candidate to classify Chest X-Ray (CXR) images. In this study, we propose three types of DCNN trained using two public datasets and another new set which we collected from Konya Education and Research Hospital, Konya, Turkey. Also, the DCNN architectures were integrated with an extra layer called Spatial Pyramid Pooling (SPP) a methodology that equips convolutional neural networks with the ability for robust feature pooling by using spatial bins. The result indicates the potential for an automated system to diagnose tuberculosis with accuracies above a radiologist professional.