FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4210360110> ?p ?o ?g. }

• W4210360110 abstract "Meme kanseri, kadınlar arasında en çok görülen kanser türüdür. Kanserin erken tespit edilmesi, tedavinin zamanında yapılmasını sağlamaktadır. Medikal görüntüler, canlıların vücutlarında var olan hastalıkların tespitinde veya meydana gelebilecek olan hastalıkların erken tanısında hayati öneme sahiptir. Özellikle kanser tespiti yapmak amacıyla kullanılan patoloji görüntüleri, hastadan alınan bir parçanın çeşitli kimyasal maddelere batırılıp özel makinelerle taranarak bilgisayar ortamına aktarılan medikal görüntü çeşididir. Medikal görüntülerin analiz edilmesi için birçok makine öğrenmesi ve yapay zeka yöntemi kullanılmaktadır. Bu yöntemlerle görüntülerden anlamlı bilgiler çıkarılarak anormalliklerin tespit edilmesi veya tahmin edilmesi işlemleri yapılmaktadır. Yapay zeka yöntemlerinden biri olan derin öğrenme, patoloji görüntülerinin analiz edilmesinde önemli başarılar göstermektedir. Derin öğrenme mimarileri, makine öğrenimi çalışmalarındaki özellik çıkarım işlemini mimari içerisinde yer alan evrişim katmanları ile yapmaktadır. Görüntü sınıflandırma, nesne tanıma, segmentasyon gibi işlemler için kullanılan derin öğrenme algoritmaları, patoloji görüntülerinin analizi için en çok tercih edilen yöntemlerden biri haline gelmiştir. Bu çalışmada, derin öğrenme mimarilerinden evrişimsel sinir ağı (Convolutional Neural Networks, CNN) kullanılarak, meme kanserine ilişkin patolojik görüntülerin sınıflandırması işlemi gerçekleştirilmiştir. Farklı sayıda filtre ve katman kullanılarak tasarlanan modellerin eğitimi ve test işlemleri için 60000 adet meme patoloji görüntüsünden oluşan bir veri seti kullanılmıştır. Model eğitimleri için donanım olarak Google Colab üzerinde NVIDIA Tesla K80 GPU işlemcili bir makine kullanılmış olup yazılım aracı olarak açık kaynak kodlu Keras kütüphanesi ve Python programlama dili kullanılmıştır. 3 adet evrişim katmanı, 3 adet ReLU katmanı, 3 adet havuzlama katmanı ve tam bağlantılı katmanda 200 sinir hücresi kullanılarak eğitilen model ile kanserli ve kanserli olmayan patoloji görüntülerinin sınıflandırılmasında doğruluk değeri 0.8775, F1 skoru 0.8238, hassasiyet değeri 0.8381, hatırlama değeri 0.8762, MSE değeri 0.1195, MAE değeri 0.2497 elde edilmiştir. Elde edilen yüksek doğruluk, F1 skoru, hassasiyet ve hatırlama değerleri ile düşük hata değerleri, bu tez kapsamında önerilen CNN modelinin patoloji görüntülerinin sınıflandırılmasında kullanılabileceğini; özellikle tıp fakültelerinin ve hastanelerin patoloji bölümlerinde kullanılabilir sistemler tasarlanabileceğini göstermektedir." @default.
• W4210360110 created "2022-02-08" @default.
• W4210360110 creator A5021446076 @default.
• W4210360110 creator A5051456491 @default.
• W4210360110 date "2022-01-23" @default.
• W4210360110 modified "2023-09-26" @default.
• W4210360110 title "Patoloji Görüntülerinin Derin Öğrenme Yöntemleri İle Sınıflandırılması" @default.
• W4210360110 cites W1019830208 @default.
• W4210360110 cites W1498436455 @default.
• W4210360110 cites W1535810436 @default.
• W4210360110 cites W1884191083 @default.
• W4210360110 cites W1934410531 @default.
• W4210360110 cites W1977442670 @default.
• W4210360110 cites W197865394 @default.
• W4210360110 cites W1995341919 @default.
• W4210360110 cites W1997864537 @default.
• W4210360110 cites W2004075725 @default.
• W4210360110 cites W2004426748 @default.
• W4210360110 cites W2040870580 @default.
• W4210360110 cites W2063217105 @default.
• W4210360110 cites W2097117768 @default.
• W4210360110 cites W2112796928 @default.
• W4210360110 cites W2128084896 @default.
• W4210360110 cites W2133171338 @default.
• W4210360110 cites W2133866056 @default.
• W4210360110 cites W2136922672 @default.
• W4210360110 cites W2138763931 @default.
• W4210360110 cites W2147800946 @default.
• W4210360110 cites W2151608510 @default.
• W4210360110 cites W22040386 @default.
• W4210360110 cites W2324923563 @default.
• W4210360110 cites W2333683836 @default.
• W4210360110 cites W2433519208 @default.
• W4210360110 cites W2470965540 @default.
• W4210360110 cites W2504150216 @default.
• W4210360110 cites W2521736072 @default.
• W4210360110 cites W2555803041 @default.
• W4210360110 cites W2569531558 @default.
• W4210360110 cites W2570202822 @default.
• W4210360110 cites W2582546187 @default.
• W4210360110 cites W2587828787 @default.
• W4210360110 cites W2588142644 @default.
• W4210360110 cites W2592929672 @default.
• W4210360110 cites W2611845828 @default.
• W4210360110 cites W2618999197 @default.
• W4210360110 cites W2621028221 @default.
• W4210360110 cites W2626711511 @default.
• W4210360110 cites W2657631929 @default.
• W4210360110 cites W2726102591 @default.
• W4210360110 cites W2734692000 @default.
• W4210360110 cites W2737521397 @default.
• W4210360110 cites W2745549613 @default.
• W4210360110 cites W2746411854 @default.
• W4210360110 cites W2751723768 @default.
• W4210360110 cites W2755930428 @default.
• W4210360110 cites W2770512244 @default.
• W4210360110 cites W2771170013 @default.
• W4210360110 cites W2771248105 @default.
• W4210360110 cites W2783699776 @default.
• W4210360110 cites W2783839600 @default.
• W4210360110 cites W2789246122 @default.
• W4210360110 cites W2789367970 @default.
• W4210360110 cites W2790808809 @default.
• W4210360110 cites W2791062765 @default.
• W4210360110 cites W2798367158 @default.
• W4210360110 cites W2801540580 @default.
• W4210360110 cites W2853673972 @default.
• W4210360110 cites W2883781843 @default.
• W4210360110 cites W2897537125 @default.
• W4210360110 cites W2900321119 @default.
• W4210360110 cites W2903119292 @default.
• W4210360110 cites W2919115771 @default.
• W4210360110 cites W2949122205 @default.
• W4210360110 cites W2949648625 @default.
• W4210360110 cites W2952367870 @default.
• W4210360110 cites W2962951526 @default.
• W4210360110 cites W2963933289 @default.
• W4210360110 cites W3106061934 @default.
• W4210360110 cites W4200196048 @default.
• W4210360110 cites W4200556051 @default.
• W4210360110 cites W65738273 @default.
• W4210360110 doi "https://doi.org/10.31590/ejosat.1011091" @default.
• W4210360110 hasPublicationYear "2022" @default.
• W4210360110 type Work @default.
• W4210360110 citedByCount "3" @default.
• W4210360110 countsByYear W42103601102022 @default.
• W4210360110 countsByYear W42103601102023 @default.
• W4210360110 crossrefType "journal-article" @default.
• W4210360110 hasAuthorship W4210360110A5021446076 @default.
• W4210360110 hasAuthorship W4210360110A5051456491 @default.
• W4210360110 hasBestOaLocation W42103601101 @default.
• W4210360110 hasConcept C29456083 @default.
• W4210360110 hasConcept C71924100 @default.
• W4210360110 hasConceptScore W4210360110C29456083 @default.
• W4210360110 hasConceptScore W4210360110C71924100 @default.
• W4210360110 hasLocation W42103601101 @default.
• W4210360110 hasOpenAccess W4210360110 @default.
• W4210360110 hasPrimaryLocation W42103601101 @default.
• W4210360110 hasRelatedWork W1506200166 @default.
• W4210360110 hasRelatedWork W1995515455 @default.

• next