Research Article
BibTex RIS Cite

Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması

Year 2021, Volume: 2 Issue: 1, 29 - 34, 30.06.2021

Şeyda Karcı

Abstract

Oto-kodlayıcılar girdi katmanında ki değerleri çıkış katmanında da elde etmeye çalışan tam bağlı yapay sinir ağlarıdır. Yapılan bu çalışmada, farklı modelleri MR görüntülerine uygulanacak şekilde düzenlenmiş ve uygulanmıştır. Bu amaçla üç farklı yöntem uygulanmış ve sonuçları elde edilmiştir. Sonuçlar yapısal benzerlikleri ve görünümleri açısından karşılaştırmalı olarak detaylı bir şekilde verilmiştir.

Keywords

Beyin MR Görüntüleri Otokodlayıcılar Görüntü İşleme

References

  • Baldi, P.,“Autoencoders, Unsupervised Learning, and Deep Architectures,” Workshop on Unsupervised and Transfer Learning, 2012.
  • Chen, w., Wang, W., Liu, L., Lew, M.S.,”New ideas and trends in deep multimodel content ınderstanding: A review”, Neurocomputing, Vol:426, pp:195-215, 2021.
  • Guo, C., Wang, H., Jian, T., Xu, C., Sun, S., “Method for denoising and reconstructing radar HRRP using modified sparse autoencoder”, Chinese Journal of Aeronautics, vol. 33, pp:1026-1036, 2020.
  • Kaggle: https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection (Ocak,2021).
  • Nishio, M., Nagashima, C., Hirabayashi, S., Ohnishi, A., Sasaki, K., Sagawa, T., Hamada, M., Yamashita, T., “Convolutional auto-encoder for image denoising of ultra-low-does CT”, Heliyon, Vol:2017, doi:10.1016/j.heliyon.2017. e00393.
  • Rumelhart, D.E., Hinton, G.E., Williams, R.J.,” Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1,” D. E. Rumelhart, J. L. McClelland, and C. PDP Research Group, Eds. Cambridge, MA, USA: MIT Press, pp. 318–362, 1986.
  • Wang, Y., Zhao, Y., Addepalli, S.,”Remaining useful life prediction using deep learning approaches:A Review”, Procedia Manufacturing, Vol: 49, pp:81-88, 2020.
  • Wu, W., Zhao, J., Zhang, C., Meng, F., Zhang, Z., Zhang, Y., Sun. Q.”,Improving performance of tenssor-based context-aware recommenders using bias tensor factorization with context feature auto-encoding”, Knowledge-Based Systems, Vol:128, pp:71-77, 2017.
  • Sara, U., Akter, M., Uddin, M.S., “Image Quality Assessment Through FSIM, SSIM, MSE and PSNR-A Comparitive Study”, Journal of Computer and Communications, Vol.7 No.3, 2019.

Year 2021, Volume: 2 Issue: 1, 29 - 34, 30.06.2021

Şeyda Karcı

Abstract

References

  • Baldi, P.,“Autoencoders, Unsupervised Learning, and Deep Architectures,” Workshop on Unsupervised and Transfer Learning, 2012.
  • Chen, w., Wang, W., Liu, L., Lew, M.S.,”New ideas and trends in deep multimodel content ınderstanding: A review”, Neurocomputing, Vol:426, pp:195-215, 2021.
  • Guo, C., Wang, H., Jian, T., Xu, C., Sun, S., “Method for denoising and reconstructing radar HRRP using modified sparse autoencoder”, Chinese Journal of Aeronautics, vol. 33, pp:1026-1036, 2020.
  • Kaggle: https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection (Ocak,2021).
  • Nishio, M., Nagashima, C., Hirabayashi, S., Ohnishi, A., Sasaki, K., Sagawa, T., Hamada, M., Yamashita, T., “Convolutional auto-encoder for image denoising of ultra-low-does CT”, Heliyon, Vol:2017, doi:10.1016/j.heliyon.2017. e00393.
  • Rumelhart, D.E., Hinton, G.E., Williams, R.J.,” Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1,” D. E. Rumelhart, J. L. McClelland, and C. PDP Research Group, Eds. Cambridge, MA, USA: MIT Press, pp. 318–362, 1986.
  • Wang, Y., Zhao, Y., Addepalli, S.,”Remaining useful life prediction using deep learning approaches:A Review”, Procedia Manufacturing, Vol: 49, pp:81-88, 2020.
  • Wu, W., Zhao, J., Zhang, C., Meng, F., Zhang, Z., Zhang, Y., Sun. Q.”,Improving performance of tenssor-based context-aware recommenders using bias tensor factorization with context feature auto-encoding”, Knowledge-Based Systems, Vol:128, pp:71-77, 2017.
  • Sara, U., Akter, M., Uddin, M.S., “Image Quality Assessment Through FSIM, SSIM, MSE and PSNR-A Comparitive Study”, Journal of Computer and Communications, Vol.7 No.3, 2019.
There are 9 citations in total.

Details

Primary Language Turkish
Subjects Software Engineering
Journal Section Research Articles
Authors

Şeyda Karcı This is me

Publication Date June 30, 2021
Submission Date January 16, 2021
Published in Issue Year 2021 Volume: 2 Issue: 1

Cite

APA Karcı, Ş. (2021). Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 2(1), 29-34.
AMA Karcı Ş. Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. June 2021;2(1):29-34.
Chicago Karcı, Şeyda. “Farklı Otokodlayıcı Modelleri Ile Sentetik Beyin MR Görüntülerinin Çoğaltılması”. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 2, no. 1 (June 2021): 29-34.
EndNote Karcı Ş (June 1, 2021) Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 2 1 29–34.
IEEE Ş. Karcı, “Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması”, Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol. 2, no. 1, pp. 29–34, 2021.
ISNAD Karcı, Şeyda. “Farklı Otokodlayıcı Modelleri Ile Sentetik Beyin MR Görüntülerinin Çoğaltılması”. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 2/1 (June 2021), 29-34.
JAMA Karcı Ş. Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021;2:29–34.
MLA Karcı, Şeyda. “Farklı Otokodlayıcı Modelleri Ile Sentetik Beyin MR Görüntülerinin Çoğaltılması”. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol. 2, no. 1, 2021, pp. 29-34.
Vancouver Karcı Ş. Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021;2(1):29-34.