Yazar "Karaman, Merve" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Abdominal bilgisayarlı tomografi görüntülerinde böbrek taşlarının sınırlarının ve sayılarının görüntü işleme yöntemleri kullanılarak tespiti.
    (2022) Karaman, Merve; Çınar, Salim
    Böbrek taşlarının medikal görüntülerdeki teşhisi ve tespiti hastalığın seyri ve tedavi yönteminin belirlenmesi açısından önemlidir. Abdominal Bilgisayarlı Tomografi (BT) görüntülerinin gürültülü ve düşük çözünürlükte olması böbrek taşı teşhisini zorlaştıran faktörlerdir. Bu çalışmada abdominal BT görüntülerinde bulunan böbreklerdeki taşların sınırlarının ve sayılarının belirlenmesi amaçlanmıştır. İlk olarak BT görüntülerinin netleştirilmesi ve gürültünün yok edilmesi için Gama Düzeltmesi yöntemi kullanılmıştır. İkinci olarak böbrekler, ilgi bölgesi (ROI: Region of Interest) yöntemi ile manuel olarak seçilmiştir. Seçilen böbrek bölgelerinde eşikleme uygulanarak böbrek taşlarının tespiti gerçekleştirilmiştir. Böbrek sınırları içerisinde bulunan taşlara Morfolojik aşındırma ve genişletme işlemleri uygulanarak görüntüde bitişik algılanan taşlar ayrıştırılmış ve taşlar sayılmıştır. Çalışmanın başarımının hesaplanması için Hata Matrisi oluşturulmuştur. Önerilen yöntemin performans analizinde Doğruluk (Accuracy), Hassasiyet (Sensivity) ve Özgüllük (Specifity) değerleri sırasıyla %97, %96, %100 şeklinde Hata Matrisi kullanılarak hesaplanmıştır. Elde edilen sonuçlar, kullanılan yöntemin böbrek taşı tespiti ve sayımında başarılı olduğunu göstermektedir.
  • Küçük Resim Yok
    Öğe
    Automatic detection of kidneys on abdominal CT images using Aggregate Channel Features
    (Institute of Electrical and Electronics Engineers Inc., 2022) Karaman, Merve; Cinar, Salim
    Accurate detection of kidney regions in abdominal CT images makes it easier to detect formations such as cysts, lesions, and stones in the kidneys. In this study, the Aggregate Channel Features (ACF) algorithm, which is a machine learning method, is used for automatic detection of the kidneys. Negative samples are automatically taken from the images during the learning process. The ACF obtained are formed alternately and repeatedly for N steps using the AdaBoost classifier. At each step negative samples are removed and collected with the previous ones. The confusion matrix and k-fold cross-correlation methods are used to test the performance of the study. The data set fragmented according to k-fold is trained according to the location information of the labeled objects using the ACF. Recall, precision, and F1 scores gleaned from the confusion matrix are used in performance analysis. The results show that the proposed method can successfully detect kidney regions. © 2022 IEEE.