KONVOLÜSYONEL SİNİR AĞI KULLANILARAK SITMA HASTALIĞI SINIFLANDIRILMASI-Reference-Cited by-同舟云学术

KONVOLÜSYONEL SİNİR AĞI KULLANILARAK SITMA HASTALIĞI SINIFLANDIRILMASI

Published:2022-05-08 Issue: Volume: Page:
ISSN:2149-0309
Container-title:Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi
language:tr
Short-container-title:

Author:

ÇETİNER İbrahim¹

Affiliation:

1. MEHMET AKIF ERSOY UNIVERSITY

Abstract

Sıtma, sivrisinek ısırması sonucu oluşan bir hastalıktır. Sıtma hastalığını algılama, tanıma ve sınıflandırma gibi işlemler, Plasmodium parazitli hücrelerin mikroskobik olarak incelenmesine dayanmaktadır. Sıtma paraziti ile enfekte olmuş hücrelerin bilgisayar destekli olarak tanımlanması zorlu bir iştir. Bu zorlu işlemi kolaylaştırabilmek için son zamanlarda popüler hale gelen derin öğrenme yöntemleri ile kırmızı kan hücrelerinde sıtma parazitinin olup olmadığı tespit edilmeye çalışıldı. Bu hastalığın tanısını koyabilmek için gerçekleştirilen sınıflandırmada iki ayrı Konvolüsyonel Sinir Ağı (CNN) modeli geliştirilmiştir. Birinci modelde giriş katmanı olarak önceden eğitilmiş ResNet50V2 mimarisini temel alan derin öğrenme modeli verilmiştir. İkinci modelde ise 23 ağırlıklı katmandan oluşan yeni bir derin öğrenme modeli tasarlanmıştır. Önerilen modelleri eğitebilmek için toplam 27.558 ince kan hücresi görüntüsü kullanıldı. Önerilen modeller ile sıtma hastalığının sınıflandırılmasında %97.53 oranında doğruluk değerine ulaşılmıştır.

Publisher

Adiyaman University

Reference20 articles.

1. [1] Rajaraman S., Jaeger S., Antani SK. Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ 2019; 7: e6977.

2. [2] Vijayalakshmi A., Rajesh Kanna B. Deep learning approach to detect malaria from microscopic images. Multimed Tools Appl 2020; 79(21–22): 15297–317. Doi: 10.1007/s11042-019-7162-y.

3. [3] Abubakar A., Ajuji M., Yahya IU. DeepFMD: Computational Analysis for Malaria Detection in Blood-Smear Images Using Deep-Learning Features. Appl Syst Innov 2021; 4(4): 82. Doi: 10.3390/asi4040082.

4. [4] Tangpukdee N., Duangdee C., Wilairatana P., Krudsood S. Malaria Diagnosis: A Brief Review. Korean J Parasitol 2009; 47(2): 93. Doi: 10.3347/kjp.2009.47.2.93.

5. [5] Singla N., Srivastava V. Deep learning enabled multi-wavelength spatial coherence microscope for the classification of malaria-infected stages with limited labelled data size. Opt Laser Technol 2020; 130(September 2019): 106335. Doi: 10.1016/j.optlastec.2020.106335.

Cited by 2 articles. 订阅此论文施引文献订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献

1. LSTM-ESA HİBRİT MODELİ İLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜNÜN SINIFLANDIRILMASI;Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi;2024-04-30

2. A Novel Deep Learning Approach to Malaria Disease Detection on Two Malaria Datasets;Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi;2023-11-30