MARC details
| 000 -LEADER |
|---|
| fixed length control field |
03528nam a2200457 i 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20230908000953.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2021 xxu e mmmm 00| 0 eng d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200442143 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE BMM YL’21 DAĞ |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Dağlı, Kaya |
| Relator term |
author |
| 9 (RLIN) |
131555 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Derin öğrenme modelleri kullanılarak beyin tümörlerinin sınıflandırılması / |
| Statement of responsibility, etc. |
Kaya Dağlı ; thesis advisor Osman Eroğul. |
| 246 11 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Classification of brain tumors via deep learning models |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2021. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xiv, 71 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Yüksek Lisans Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Ocak 2021 |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Beyin tümörleri insan sağlığını önemli derecede etkileyebilmektedir. Bu tümörlerin yanlış teşhisi durumunda, müdahale için alınacak olan kararlar ve bireyin sağlık durumu verimli şekilde belirlenememektedir. Manyetik rezonans görüntülerinin bir hekim tarafından incelenmesi, beyin tümörlerinin belirlenmesinde en yaygın kullanılan yöntemdir. Beyin tümörlerinin çeşitliliğinden ve hekimlerin incelemesi gereken birçok görüntü olduğundan ötürü, bu yöntem hem insan hatalarına yatkındır hem de fazla zaman harcanmasına neden olmaktadır. Bu çalışmada, en yaygın görülen üç beyin tümörü çeşidi olan; Gliom, Meninjiyom ve Hipofiz bezi tümörlerinin derin öğrenme modelleri kullanılarak sınıflandırılması üzerine çalışılmıştır. Çalışmada doğruluk oranının yüksek olmasına önem verilirken, modellerin eğitimi için harcanan zaman da incelenmiştir. Bu sınıflandırma çalışması ile hekimlere yardımcı olabilecek bir sistem yaratmak amaçlanmıştır. Doğruluk oranı %90'a varan bir sistem oluşturulmuştur. |
|
|---|
| Summary, etc. |
Brain tumors threathen human health significantly. Misdiagnosis of these tumors decrease effectiveness of decisions for intervention and patient's state of health. The conventional method to differentiate brain tumors is by the inspection of magnetic resonance images by clinicians. Since there are various types of brain tumors and there are many images that clinicians should examine, this method is both prone to human errors and causes excessive time consumption. In this study, the most common brain tumor types; Glioma, Meningioma and Pituitary are classified using deep learning models. While the main objective of this study is to have a high rate of accuracy, the time spent is also examined. The aim of this study is to ease clinicians work load and have a time efficient classification system. The system which has been built has an accuracy up to 90%. |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Beyin tümörü |
|
|---|
| Uncontrolled term |
Derin öğrenme |
|
|---|
| Uncontrolled term |
Doğruluk |
|
|---|
| Uncontrolled term |
Eğitim için harcanan zaman |
|
|---|
| Uncontrolled term |
Manyetik rezonans görüntüleri |
|
|---|
| Uncontrolled term |
Sınıflandırma |
|
|---|
| Uncontrolled term |
Brain tumor |
|
|---|
| Uncontrolled term |
Deep learning |
|
|---|
| Uncontrolled term |
Accuracy |
|
|---|
| Uncontrolled term |
Time consumption during training |
|
|---|
| Uncontrolled term |
Magnetic resonance images |
|
|---|
| Uncontrolled term |
Classification |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Eroğul, Osman |
| 9 (RLIN) |
126315 |
| Relator term |
advisor |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
