Yazar "Kocadurdu, Kenan" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Comparison of federated learning frameworks for medical image domain
    (İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü, 2023) Kocadurdu, Kenan; Alpkoçak, Adil
    Tıbbi görüntüleme, hastalıkların teşhis ve tedavisinde kritik bir rol oynamakta olup, karmaşık ve heterojen verilerin büyük miktarlarını üretmektedir. Tıbbi görüntüleme verileri üzerinde makine öğrenimi modelleri eğitmek, veri karmaşıklığı, kıtlığı ve gizlilik düzenlemeleri gibi zorluklarla karşılaşmaktadır. Federated Learning (FL), gizliliği riske atmadan birden fazla cihaz veya veri merkezi üzerinde dağıtılmış verilerle modellerin eğitilmesini sağlayan bir dağıtık makine öğrenimi çözümü olarak ortaya çıkmıştır. Bu tezde, tıbbi görüntüleme alanında FL çerçevelerinin kapsamlı bir analizini sunmaktayım. MobileNetV2 CNN mimarisi ve göğüs röntgeni görüntülerinden oluşan bir veri kümesi kullanarak dört çerçevenin (FedML, FLARE, Flower ve OpenFL) performansını karşılaştırıyorum. Değerlendirme metrikleri arasında hassasiyet, geri çağırma, F1 puanı, doğruluk ve AUC-ROC bulunmaktadır. Sonuçlar, çerçevelerin sınıflandırma doğruluğunda farklılıklar olduğunu göstermektedir, FedML üstün performans sergilerken, onu FLARE ve Flower takip etmektedir. OpenFL ise daha düşük performans sergilemiştir. Bu bulgular, doğru FL çerçevesinin seçiminin doğru tıbbi görüntü sınıflandırması için önemini vurgulamaktadır. Çalışma, araştırmacılara ve uygulayıcılara bilgi sağlayarak çerçeve seçimine yardımcı olmakta ve tıbbi görüntü analizini geliştirmektedir. İleriki araştırmalar, gelişmiş sağlık teşhisleri için FL'yi ilerletmek için ek metrikler, mimariler ve veri setleri üzerinde çalışabilir.
  • Küçük Resim
    Öğe
    Deep learning model-assisted detection of kidney stones on computed tomography
    (Brazilian Soc Urol, 2022) Çaglayan, Alper; Horsanalı, Mustafa Ozan; Kocadurdu, Kenan; İsmailoğlu, Eren; Güneyli, Serkan
    Introduction: The aim of this study was to investigate the success of a deep learning model in detecting kidney stones in different planes according to stone size on unenhanced computed tomography (CT) images. Materials and Methods: This retrospective study included 455 patients who underwent CT scanning for kidney stones between January 2016 and January 2020; of them, 405 were diagnosed with kidney stones and 50 were not. Patients with renal stones of 0-1 cm, 1-2 cm, and >2 cm in size were classified into groups 1, 2, and 3, respectively. Two radiologists reviewed 2,959 CT images of 455 patients in three planes. Subsequently, these CT images were evaluated using a deep learning model. The accuracy rate, sensitivity, specificity, and positive and negative predictive values of the deep learning model were determined. Results: The training group accuracy rates of the deep learning model were 98.2%, 99.1%, and 97.3% in the axial plane; 99.1%, 98.2%, and 97.3% in the coronal plane; and 98.2%, 98.2%, and 98.2% in the sagittal plane, respectively. The testing group accuracy rates of the deep learning model were 78%, 68% and 70% in the axial plane; 63%, 72%, and 64% in the coronal plane; and 85%, 89%, and 93% in the sagittal plane, respectively. Conclusions: The use of deep learning algorithms for the detection of kidney stones is reliable and effective. Additionally, these algorithms can reduce the reporting time and cost of CT-dependent urolithiasis detection, leading to early diagnosis and management.