Basit öğe kaydını göster

dc.contributor.authorVar, Esraen_US
dc.contributor.authorTek, Faik Borayen_US
dc.date.accessioned2019-03-16T14:30:34Z
dc.date.available2019-03-16T14:30:34Z
dc.date.issued2018-12-06
dc.identifier.citationVar, E. & Tek, F. B. (2018). Malaria parasite detection with deep transfer learning. Paper presented at the 2018 3rd International Conference on Computer Science and Engineering (UBMK), 298-302. doi:10.1109/UBMK.2018.8566549en_US
dc.identifier.isbn9781538678930
dc.identifier.isbn9781538678923
dc.identifier.isbn9781538678947
dc.identifier.urihttps://hdl.handle.net/11729/1449
dc.identifier.urihttp://dx.doi.org/10.1109/UBMK.2018.8566549
dc.description.abstractThis study aims to automatically detect malaria parasites (Plasmodium sp) on images taken from Giemsa stained blood smears. Deep learning methods provide limited performance when sample size is low. In transfer learning, visual features are learned from large general data sets, and problem-specific classification problem can be solved successfully in restricted problem specific data sets. In this study, we apply transfer learning method to detect and classify malaria parasites. We use a popular pre-trained CNN model VGG19. We trained the model for 20 epoch on 1428 P Vivax, 1425 P Ovule, 1446 E Falciparum, 1450 P Malariae and 1440 non-parasite samples. The transfer learning model achieves %80, %83, %86, %75 precision and 83%, 86%, 86%, 79% f-measure on 19 test images.en_US
dc.description.abstractBu çalışmada Giemsa ile boyanmış kan yaymalarından alınan örnekler üzerinden sıtma parazitlerinin (Plas modium sp) otomatik tespiti ve sınıflandırılması amaçlanmıştır. Kısıtlı veri kümelerinde derin yapay sinir ağlarının başarısı sınırlı olmaktadır. Transfer öğrenmede ise görsel öznitelikler büyük veri kümelerinde öğrenilmekte, probleme özgü sınıflandırma problemi ise kısıtlı veri kümelerinde başarılı ile çözülebilmektedir. Bu çalışmada önceden eğitilmiş derin Evrişimsel Sinir Ağlardan (ESA) olan VGG modeli transfer öğrenme ile sıtma paraziti tespit ve sınıflandırma problemine uyarlanmış ve başarısı sınanmıştır.Model 1428 adet P. Vivax, 1425 adet P. Ovale, 1446 adet P. Falciparum, 1450 adet P. Malariae ve 1440 adet parazit olmayan örnek üzerinde 20 epok eğitilmiştir. 19 adet test örneği üzerinde denediğimiz modelin sonuçlarında sıtma tespit özgüllüğü her bir sınıf için sırasıyla %80, %83, %86, %75 ve f-ölçütleri sırasıyla %83, %86, %84, %79 dir.en_US
dc.language.isoturen_US
dc.publisherIEEEen_US
dc.relation.isversionof10.1109/UBMK.2018.8566549
dc.rightsinfo:eu-repo/semantics/closedAccessen_US
dc.subjectConvolutional neural networken_US
dc.subjectDeep learningen_US
dc.subjectMalariaen_US
dc.subjectComputer-aided diagnosisen_US
dc.subjectClassificationen_US
dc.subjectDerin öğrenmeen_US
dc.subjectSıtmaen_US
dc.subjectBilgisayar destekli tanıen_US
dc.titleMalaria parasite detection with deep transfer learningen_US
dc.title.alternativeDerin transfer öğrenme ile sıtma paraziti tespitien_US
dc.typeconferenceObjecten_US
dc.description.versionPublisher's Versionen_US
dc.relation.journal2018 3rd International Conference on Computer Science and Engineering (UBMK)en_US
dc.contributor.departmentIşık Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümüen_US
dc.contributor.departmentIşık University, Faculty of Engineering, Department of Computer Engineeringen_US
dc.contributor.authorID0000-0002-8649-6013
dc.identifier.startpage298
dc.identifier.endpage302
dc.peerreviewedYesen_US
dc.publicationstatusPublisheden_US
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - Kurum Öğretim Elemanıen_US
dc.contributor.institutionauthorVar, Esraen_US
dc.contributor.institutionauthorTek, Faik Borayen_US
dc.relation.indexWOSen_US
dc.relation.indexScopusen_US
dc.relation.indexConference Proceedings Citation Index – Science (CPCI-S)en_US
dc.description.wosidWOS:000459847400056


Bu öğenin dosyaları:

Thumbnail

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster