Ön ˙I¸sleme

Veri ön i¸sleme a¸saması, her çalı¸sma için farklılık göstermektedir. Bu durumun sebeplerine, veri setinin içerisinde parazitli, eksik ve tutarsız görüntüler bulunması örnek gösterilebilir. Her veri setinde aynı hatalar bulunmadı˘gından ön i¸sleme adımında her veri setine aynı uygulamayı yapma dü¸süncesi yanlı¸s olacaktır. Hatalı görüntüleri düzenlemek için; regresyon, e¸sikleme, filtreleme, karar a˘gaçları gibi çe¸sitli uygulamalar bulunmaktadır. Tek yöntem uygulamanın yeterli olmadı˘gı durumlarda farklı yöntemleri bir arada kullanmak mümkündür.

4.1.3 Öz Nitelik Çıkartma

Ön i¸sleme yapılmı¸s veri setinin içerisinden, uygulamaya ba¸slarken elde edilmesi planlanan bilginin çıkarılma a¸samasıdır. Yani görüntüler üzerinden, istenilen bölümün özelliklerinin bilgisayara an-latılma uygulaması olarak açıklanabilir. Öz nitelik çıkarmak için; SIFT (Scale-Invariant Feature Transform), SURF (Speeded-Up Robust Features) gibi uygulamalar kullanılmaktadır.

¸Sekil 4.3: Görüntülerden öz nitelik çıkarma a¸saması örne˘gi

4.1.4 Tanımlama

Veri setinin içerisinde bulunan görüntülerden/verilerden çıkarım yapma a¸saması olarak açıklanabilir. Bu adımda, temel olarak iki farklı yakla¸sım bulunmaktadır [3].

Verilerin etiketleri vardır. Veri seti, e˘gitim ve test olmak üzere iki sınıfa ayrılarak i¸slemler gerçek-le¸stirilmelidir.

Kümeleme: Benzer özelliklere sahip verileri aynı grupta toplama uygulaması olarak açıklan-abilir. Verilerde etiket bulunmaz. Veriler gruba, benzerlik/alaka düzeyine göre eklenmektedir. E˘gitim setine veya etiketleme i¸slemine ihtiyaç duyulmamaktadır.

¸Sekil 4.4: Nesne tanıma uygulamalarının akı¸s diyagramı

4.2 Uygulama 1

Cancer Imaging Archive [4] veritabanından yararlanılarak, tasarlanan çalı¸smaya uygun lösemi hastalı˘gını içeren ve jpg uzantılı görseller toplanmı¸stır. Toplama i¸sleminin ardından görüntüler kontrol edilmi¸s ve hepsi aynı boyutlara getirilmi¸stir. Hatalı görüntüler ayıklanmı¸s ve sistemden uzakla¸stırılmı¸stır. ¸Sekil 6 isimli mikroskobik görüntü, kullanılan veri setinin içerisinden bir örnek olarak eklenmi¸stir.

4.2 Uygulama 1 117

bulunan açık kaynak kütüphaneleri sayesinde, kullanıcıya yapmak istedi˘gi i¸slemler için anla¸sılabilme kolaylı˘gı sa˘glamaktadır[5]. Bu avantajların göz önüne alınmı¸s olması sebebiyle uygulama olu¸stu-rulurken, Python programlama dilinin “3.5.2” sürümü tercih edilmi¸stir. Bu tercihin yapılmasının sebebi ise kullanılan kütüphanelerin, belirtilen sürümde, çok daha kararlı bir ¸sekilde çalı¸smasıdır.

Python yazılımının içerisine sırasıyla; pillow, lxml, Cython, contexlib2, jupyter, matplotlib, pandas, opencv-python ve tensorflow kütüphaneleri eklenmi¸stir. Görüntü i¸sleme çalı¸smasının yapıla-bilmesi için yüklenen kütüphanelerin sisteme eklenmesi gerekmektedir. Bu kütüphaneler sayesinde yapılmak istenilen i¸slemler için ayrı ayrı kod satırına ihtiyaç duyulmaz. Kütüphanenin ça˘gırılması yeterlidir. Tensorflow kütüphanesi, GPU üzerinden de i¸slem yapabilme gücüne sahiptir. Ancak uygulama olu¸sturulurken ortaya çıkan problemlerden dolayı CPU üzerinden kurulum yapılmı¸stır. ¸Sekil 4.6 isimli görsel, Komut ˙Istemi penceresinden indirilmi¸s olan kütüphaneleri göstermektedir.

¸Sekil 4.6: Python Yazılımına Eklenen Kütüphaneler

GitHub uygulaması kullanılarak, Tensorflow Object Detection API[6] isimli çalı¸smanın içerisinde bulunan model[7] dosyası indirilmi¸s ve gerekli kurulum a¸samaları Komut isteminde (CMD) gerçek-le¸stirilmi¸stir.

E˘gitim yapılırken Faster-RCNN-Inception-V2[8] modeli tercih edilmi¸stir. Proje için hazırlanmı¸s olan dosyaların içerisinde bulunan “Object Detection” klasörüne tercih edilmi¸s olan model eklenmi¸s ve gerekli düzenlemeler yapılmı¸stır.

Dosyalanan ve lösemi içeren, mikroskobik görüntülerin (685 adet) %20’si test klasörünün, geriye kalan %80’i ise train klasörünün içerisine ta¸sınmı¸stır. ¸Sekil 4.12 adı verilmi¸s olan görsel, olu¸sturulan test ve train isimli klasörleri içermektedir. Test klasörünün içinde 137, train klasörünün içinde ise 548 adet lösemi ta¸sıyan hücre görüntüsü örne˘gi bulunmaktadır.

¸Sekil 4.7: Programın ˙Içerisinde Bulunan Klasörler

Görüntüleri etiketleme i¸slemini gerçekle¸stirmek için “LabelImg[9]” isimli program indirilmi¸s ve kurulumu gerçekle¸stirilmi¸stir. Her mikroskobik görüntüde lösemi bulunan hücreler bu program kullanılarak etiketleme i¸slemi yapılmı¸stır. A¸sa˘gıda payla¸sılmı¸s olan ¸Sekil 4.8 isimli görsel, etiketleme i¸sleminin uygulama ile gerçekle¸stirildi˘gi sırada anlık olarak alınmı¸stır.

Etiketleme i¸slemi yapılmı¸s olan görüntüler .xml uzantısı ile kaydedilmi¸stir. .xml uzantılı bu kayıtlar görüntülerde i¸saretlenmi¸s olan bölgenin koordinatlarını ve o bölgenin açıklamasının ne oldu˘gu ile ilgili bilgiyi içerisinde bulundurmaktadır.

4.2 Uygulama 1 119

¸Sekil 4.8: LabelImg Uygulaması ile Çalı¸sılırken Alınan Örnek Bir Görüntü

olan .xml uzantılı dosyalar test.csv ve train.csv olarak adlandırılmı¸s olan iki ayrı Excel dosyasında toplanmı¸s olacaktır. ¸Sekil 4.9 isimli görselde belirtilen kod parçacı˘gı, .xml uzantısına sahip dosyaları bir araya toplama amacı ile tasarlanmı¸stır. Bu dosya çalı¸stırıldı˘gında .csv uzantısına sahip olan iki klasör olu¸smaktadır (test ve train). Bu klasörlerin içinde yer alan veriler a¸sa˘gıdaki ekran görüntüsünde payla¸sılmı¸stır.

¸Sekil 4.9: xml_to_csv Python Dosyasının Çalı¸stırılması ile Elde Edilen Çıktı

Bu yazılımın çalı¸sması sayesinde, e˘gitim a¸samasında gerekli olacak olan test.record ve train.record dosyalarının olu¸sturulması sa˘glanır. ¸Sekil ??’de payla¸sılan kod parçacı˘gı generate_tfrecord Python dosyasının içinde yer almakta ve “LosemiliHucre” etiketine sahip olan görüntülere atıf yapmak-tadır. Ayrıca ¸Sekil ?? isimli görselde payla¸sılmı¸s olan kod parçacı˘gının komut isteminde (CMD) çalı¸stırılmasıyla hazırlanan dosya aktif hale getirilmi¸stir.

¸Sekil 4.10: Etiket Haritasının Kodlama Yapılırken Kullanılma Biçimi

¸Sekil 4.11: .record Uzantılı Dosyaların Olu¸sturulması

isim verilmi¸s ise o ismi not defterine kayıtlama i¸slemidir. ¸Sekil 4.12’te bahsedilen etiket haritası LabelImg uygulaması ile etiketleme yapılırken tercih edilmi¸s olan tanımlamayı içermektedir. Bu etiketleme yapılırken, Türkçe karakter kullanılmaması, unutulmaması gereken bir detaydır.

¸Sekil 4.12: Etiket Haritası

E˘gitim ba¸slatmak için gerekli komutlar sisteme verilmi¸stir. Kullanılan 685 görüntünün e˘gitim a¸samasının tamamlanması yakla¸sık olarak 22 saat sürmü¸stür. E˘ger bu e˘gitim GPU üzerinden yapılabilmi¸s olsaydı, e˘gitim süresi 5 saat gibi kısa bir zamana inmi¸s olacaktı. ¸Sekil 4.19’de be-lirtilen kod parçacı˘gı CMD’ de (Komut ˙Istemi) çalı¸stırılmı¸s ve e˘gitimin ba¸slaması sa˘glanmı¸stır. Bu kodda yer alan train.py dosyası e˘gitimi yapmak için tasarlanmı¸s olan bir Python dosyasıdır. Faster_rcnn_inception_v2_pets.config [10] dosyası ise 5. A¸samada bahsedilmi¸s olan önceden e˘gitimli bir dosyadır. Bu dosyanın içerisi tasarlanan sistem ile çalı¸sabilmesi için bazı düzenlemelere tabii tutulmu¸stur.

E˘gitim a¸saması tamamlandıktan sonra yapılan e˘gitimi test edilmek amacıyla bir Python dosyası kullanılmı¸stır. ¸Sekil ?? ismi verilmi¸s olan görsel, bu Python dosyasının içerisinden bilgisayar tarafından etiketlenmi¸s olan lösemili hücre görüntüsünün kullanıcı tarafından görülebilmesi için kullanılan bir kod parçacı˘gıdır. ¸Sekil ?? isimli görsel ise olu¸sturulan sistemin mikroskobik bir görüntü üzerinde denenmi¸s ve elde edilmi¸s olan test sonucudur.

4.3 Sonuç 121

¸Sekil 4.13: E˘gitim Ba¸slatma Kod Satırı

¸Sekil 4.14: Test Kodunda Yer Alan Kod Parçacı˘gı

4.3 Sonuç

Dünya Sa˘glık Örgütü (WHO) payla¸stı˘gı raporda, sadece 2018 yılında dünyada 18.1 milyon ki¸siye kanser te¸shisi konurken, 9.9 milyon ki¸sinin ise kanser hastalı˘gı sebebiyle hayatını kaybetti˘gini belirtti. Tüm dünyanın ortak problemlerinden biri olan kanser, erken te¸shis ve do˘gru tedavinin uygulanmasıyla iyile¸sme olasılı˘gının çok yükseldi˘gi bir hastalıktır. Ayrıca kanser hastalı˘gı sebebiyle gerçekle¸sen ölümlerin %22 gibi yüksek bir oranının ise geç yapılmı¸s olan te¸shis kaynaklı oldu˘gu ortaya çıkmı¸stır. Hekimler tanı koymak için ayrıca vakit harcamaktadır. Bu sebeple tanı a¸samasını hızlandırmaya yardımcı uzman sistemlere olan ihtiyaç her geçen gün artmaktadır.

Hazırlanan tespit programı, kullanı¸slı ve çok yönlü bir programlama dili Python tercih edil-erek lösemi hastalı˘gının te¸shis a¸samasını hızlandırmak, hekimlerin i¸s yükünü hafifletebilmek ve kan görüntülerinden lösemili hücrelerinin tespitini yapabilmek amacıyla tasarlanmı¸stır. “Cancer Imaging Archive” isimli kaynak kullanılarak, lösemili hücre içeren kan görüntüleri toplanmı¸s ve bir veritabanı olu¸sturulmu¸stur. Tüm görseller aynı boyutlara getirilmi¸stir. Ancak ço˘gu farklı piksel yo˘gunlu˘guna sahip olan görsellerin sisteme tanıtılması do˘gru bir yakla¸sım olmayaca˘gından, uygun piksel yo˘gunlu˘gundaki görüntüler ayıklanmı¸s ve e˘gitim a¸samasına ba¸slanmı¸stır. Görüntülerin e˘gitimi a¸saması kayıp de˘geri 0.07’in altına dü¸sene kadar devam ettirilmi¸stir. CPU temel alınarak ve Ten-sorflow kütüphanesi aracılıyla gerçekle¸stirilen bu e˘gitimin tamamlanabilmesi yakla¸sık olarak 20 saat sürmü¸stür. E˘ger GPU temelli Tensorflow kütüphanesinin bu e˘gitim için kullanılabilme ¸sansı olasaydı, yakla¸sık 5 saatte e˘gitimin tamamlanabilmesi mümkün olacaktır.

Çalı¸sma sonunda, e˘gitim a¸samasında kullanılmı¸s 25 adet ve e˘gitim için kullanılmamı¸s 25 adet, farklı açılardan içerisinde lösemi hastalı˘gı ta¸sıyan hücreleri barındıran görüntüler sistemde test edilmi¸stir. Bu denemeler neticesinde e˘gitim a¸samasında kullanılmı¸s olan görsellerden %100 ba¸sarı ile lösemili hücreler tespit edilmi¸s, e˘gitim a¸samasında kullanılmayan görsellerden ise %90 ba¸sarı oranı ile lösemili hücrelerin tespiti yapılabilmi¸stir. Durumu teyit etmek amacıyla farklı piksel yo˘gunlu˘guna

4.4 Uygulama 2 123 sahip (dü¸sük kaliteli) görseller üzerinde de testler yapılmı¸stır. Bu testler sonucunda da yapılan hesaplamaları etkileyebilecek herhangi bir farklılı˘ga rastlanmamı¸stır. Hazırlanan sistemin, e˘gitilen görsellerin güncellenmesi sayesinde çok farklı alanlarda da kullanılabilmesi mümkün olacaktır. Bu yüzden olu¸sturulan sistem statik de˘gil dinamik bir yapıyı bünyesinde barındırmaktadır. Yapılan bu çalı¸sma, hekimlerin yerine geçme dü¸süncesi ile de˘gil, hekimlerin yaptı˘gı i¸si hızlandırmak ve tedavi a¸samasına daha hızlı geçebilmek amacı ile tasarlanmı¸stır. Olu¸sturulan sistemde denenmi¸s 5 adet görsel ve bu görsellerden elde edilen sonuçlar Tablo 1 içerisinde payla¸sılmı¸stır. Sistemin bazı lösemi hücreleri için “Daha dü¸sük olasılıkla lösemi hücresidir” kararını vermesinin sebebi, e˘gitim a¸samasında kullanılmayan bir görsel üzerinde test yapılması veya dü¸sük kaliteden dolayı anla¸sılamayan hücre ¸sekilleri yorumlarıyla açıklamak mümkündür.

4.4 Uygulama 2

˙ImageNet ve Google Görseller isimli uygulamalardan implant içeren jpg uzantısına sahip radyo-grafiler toplanmı¸stır. ¸Sekil 4.16 isimli görsel toplanmı¸s olan radyoradyo-grafilere ait bir örnektir.

¸Sekil 4.16: Toplanan Panoramik Radyografilerden Bir Örnek

Bu uygulama olu¸sturulurken, yazılım ve görüntü i¸sleme alanında daha kararlı ayrıca donanım açısından çok daha yeterli olan Python=3.5.2 programlama dilinin kurulumu yapılmı¸stır.

Python programlama diline pillow, lxml, Cython, contexlib2, jupyter, matplotlib, pandas, opencv-python ve tensorflow kütüphaneleri sırasıyla eklenmi¸s olup, bu kütüphaneler görüntü i¸sleme uygu-lamaları olu¸sturulurken kullanılan temel unsurlardandır. Tensorflow kütüphanesi GPU üzerinden de i¸slem yapabilmektedir ancak denemelerde ya¸sanan problemlerden dolayı CPU üzerinden tekrar kurulum yapılmı¸stır. ¸Sekil 4.17 isimli görsel, Komut ˙Istemi penceresinden indirilmi¸s kütüphaneleri içermektedir.

GitHub uygulamasından Tensorflow Object Detection API’ sinin içinde bulunan model dosyası indirilmi¸s ve gerekli kurulum Komut ˙Isteminde (CMD) yapılmı¸stır.

Bu e˘gitimde Faster-RCNN-Inception-V2 modeli kullanılmı¸stır. Object detection klasörüne bu model eklenmi¸s ve gerekli düzenlemeler yapılmı¸stır. Kullanılan dosya önceden e˘gitimi yapılmı¸s görüntüleri içermektedir.

Dosyalanan radyografilerin (314 adet) %20’si test klasörünün, geriye kalan %80’i ise train klasörünün içine ta¸sınmalıdır. ¸Sekil 4.18 adı verilmi¸s görsel, olu¸sturulan test ve train isimli klasörleri

4.4 Uygulama 2 125

¸Sekil 4.17: ˙Indirilen Kütüphaneler

içermektedir. Test klasörünün içinde 63, train klasörünün içinde ise 251 adet radyografi örne˘gi bulunmaktadır.

¸Sekil 4.18: ˙Indirilen Kütüphaneler

Görüntüleri etiketlemek için “LabelImg” isimli program indirilip kurulumu yapılmı¸stır. Her radyografide ˙Implant içeren bölgeler bu program ile etiketlenmi¸stir. A¸sa˘gıya eklenmi¸s olan ¸Sekil 4.19 isimli görsel, bahsedilen etiketleme uygulaması ile ilgili bir örnek içermektedir.

¸Sekil 4.19: LabelImg uygulaması ile ilgili yapılan bir örnek

Etiketlenen dosyalar .xml uzantısı ile kaydedilmi¸stir. Bu kayıt görüntüde i¸saretlenmi¸s olan koordinatları ve o bölgenin ne oldu˘gu ile ilgili bilgiyi içermektedir. ¸Sekil 4.4 isimli görselde örne˘gi payla¸sılmı¸s olan, .xml uzantılı dosyalar etiketlenmi¸s radyografiye ait geni¸slik, yükseklik ve derinlik kriterlerini içerisinde barındırmaktadır.

¸Sekil 4.20: Görsel için örnek etiket

test.csv ve train.csv olmak üzere iki ayrı Excel ba˘glantısında toplanacaktır. ¸Sekil 4.21 isimli görselde belirtilen kod parçacı˘gı .xml uzantılı dosyaları bir araya toplama amacı ile tasarlanmı¸stır. Bu dosya çalı¸stırıldı˘gında .csv uzantılı iki klasör olu¸smaktadır (test ve train). Bu klasörlerin içinde yer alan veriler a¸sa˘gıdaki ekran görüntüsünde payla¸sılmı¸stır.

¸Sekil 4.21: xml_to_csv dosyasının çalı¸stırılması ile elde edilen çıktı

Bu programın çalı¸stırılmasıyla e˘gitim için gerekli olan test.record ve train.record dosyaları olu¸sturulur. ¸Sekil 4.22’te payla¸sılan kod parçacı˘gı generate_tfrecord dosyasının içinde yer almaktadır ve implant etiketi içeren foto˘graflara atıf yapmaktadır. Ayrıca ¸Sekil 4.23 isimli görselde belirtilen kod parçacı˘gının CMD’de çalı¸stırılmasıyla hazırlanan dosya aktif hale getirilmi¸stir.

LabelImg uygulaması kullanılırken etiketleme yapılan alana ne isim verilmi¸s ise o ismi not defter-ine kayıtlama i¸slemidir. ¸Sekil ??’da bahsedilen etiket haritası LabelImg uygulaması ile etiketlerken kullanılan tanımlamayı içermektedir. Bu etiketleme yapılırken Türkçe karakter kullanılmamasına

4.5 Sonuç 127

¸Sekil 4.22: Etiket haritasının kodlamada kullanılma biçimi

¸Sekil 4.23: Record uzantılı dosyaların olu¸sturulması

dikkat edilmelidir.

¸Sekil 4.24: Etiket haritası

E˘gitim ba¸slatmak için gerekli komutlar verilir. 314 görüntü için e˘gitimin tamamlanması yak-la¸sık 15 saat sürmü¸stür. E˘ger bu e˘gitim gpu üzerinden yapılırsa bu süre 3 saat gibi kısa bir sür-eye inecektir. Resim4’te belirtilen kod parçacı˘gı CMD’de (Komut ˙Istemi) çalı¸stırıldı˘gında e˘gitim ba¸slayacaktır. Bu kodda yer alan train.py dosyası e˘gitim için tasarlanmı¸s bir Python dosyasıdır. Faster_rcnn_inception_v2_pets.config dosyası önceden e˘gitimli olarak elde bulunan bir dosyadır. Bu dosyanın içinde e˘gitilmek istenen bilgi ile ilgili gerekli düzenlemeler yapılmı¸stır. Ayrıca e˘gitimin ba¸sladı˘gı anın ekran görüntüsü eklenmi¸stir. Ba¸slatılan e˘gitim, “loss” de˘geri sürekli 0,5’in altında izleyene kadar devam ettirilmi¸stir.

Yapılan e˘gitimden sonra test etmek için çe¸sitli görseller programa verilmi¸stir. A¸sa˘gıda programa verilmi¸s etiketlenmemi¸s görsel ve sonuçları ile ilgili bir görsel payla¸sılmı¸stır. Bu deneme yakla¸sık 100 görüntü için tekrarlanmı¸stır. ¸Sekil 4.26 isimli görsel, bilgisayar tarafından etiketlenen radyografinin ekranda görülmesi için kullanılmı¸stır.

4.5 Sonuç

Di¸s hekimli˘gi alanında görüntü i¸sleme kullanımı uzun bir geçmi¸se dayanmaktadır. Bu uzun geçmi¸ste en yaygın kullanım di¸s radyografileridir. Ancak bu radyografilerin kullanımı çe¸sitli problemleri beraberinde getirebilmektedir.

¸Sekil 4.25: E˘gitim ba¸slatma kodu ve e˘gitim anı

¸Sekil 4.26: Test kodunda yer alan kod parçacı˘gı

Röntgen ve X-Ray cihazlarının hepsi farklı derinlik, piksel yo˘gunlu˘guna sahip oldu˘gundan dolayı kalite dü¸sebilmekte ve hastanın sorununu algılayabilmek güçle¸sebilmektedir. Özellikle Panoramik Röntgenler tüm çeneyi resmetti˘ginden çok daha dü¸sük kaliteye sahip olabilmektedir. Bu yüzden di¸s hekimleri panoramik röntgenleri incelemek için vakit harcamak zorundadırlar.

Hazırlanan görüntü i¸sleme ve tanı programı, kullanı¸slı ve cok yönlü programlama dili Python kullanılarak di¸s tedavilerinde tespit i¸slemini hızlandırmak ve kolaylastırmak amacıyla radyografik filmlerden implant tespiti yapmak için olusturulmustur. Google görseller ve ImageNet gibi çe¸sitli kaynaklar kullanılarak implant içeren di¸s radyografilerine ili¸skin görüntüler toplanmı¸s ve bir verita-banı olu¸sturulmustur. Ço˘gu farklı boyut ve piksel yo˘gunlu˘guna sahip olan radyografilerin sisteme tanıtılması bu sebeple zorlasmis olup, sistemin kurulumunda ön görülemeyen aksilikler ortaya çık-mı¸stır. Yasanan aksiliklere ve tum olumsuzluklara ragmen uygun piksel yo˘gunlu˘gundaki radyografik görüntüler elde edilmi¸stir ve e˘gitime ba¸slanmı¸stır.

Görüntü e˘gitimi kayıp de˘geri 0.08’in altına dü¸sene kadar devam ettirilmi¸stir. CPU temelli Tensorflow kütüphanesi ile gerçekle¸stirilen bir e˘gitim oldu˘gundan sonlandırılması yakla¸sık 15 saat sürmü¸stür. E˘ger GPU temelli Tensorflow kütüphanesi bu e˘gitim için kullanılabilseydi, yakla¸sık 3 saatte e˘gitimin tamamlanması beklenecekti.

E˘gitim sonunda farklı açılardan içerisinde implant bulunduran radyografiler sistemde test edilmi¸stir. Bu denemeler neticesinde hazırlanan sistemin %100 implant tespit yetene˘gi oldu˘gu ortaya çıkmı¸stır. Durumu teyit edebilmek için farklı piksel yo˘gunlu˘guna sahip (dü¸sük kaliteli) radyo-grafiler üzerinde de testler yapılmı¸stır. Bu testlerde de sonucu etkileyecek herhangi bir farklılı˘ga rastlanmamı¸stır.

4.5 Sonuç 129

Hazırlanan sistemin, e˘gitilen görsellerin güncellenmesi ile çok farklı alanlarda da çalı¸sması mümkündür. Bu yüzden olu¸sturulan sistem statik de˘gil dinamik bir yapıyı bünyesinde barındır-maktadır. E˘ger istenilecek olursa proses geli¸stirilip radyografide bulunan çe¸sitli sorunlar (çürük, di¸s kaybı, dolgu, vb.) sisteme dahil edilerek detaylı bir rapor hazırlama aracı olu¸sturulabilir. Bu raporlama aracının, di¸s hekimlerinin yaptı˘gı i¸si hızlandırmak ve hızlı aksiyon alabilmek amacı ile tasarlanması beklenecektir.

Olu¸sturulan sistemde denenmi¸s 5 adet radyografi görseli ve bu görsellerden elde edilen sonuçlar Tablo 2 içerisinde payla¸sılmı¸stır. Sistemin radyografilerde bulunan bazı implantlar için “Daha dü¸sük olasılıkla implanttır.” kararını vermesinin sebebini, radyografinin üzerinde bulunan bir bulanıklık ya da implantın üzerine denk gelen bir yazı ¸seklinde açıklamak mümkündür.

Referanslar

[1] ˙Inik Ö., Ülker E., Derin Ö˘grenme ve Görüntü Analizinde Kullanılan Derin Ö˘grenme Modelleri, Gaziosmanpa¸sa Bilimsel Ara¸stırma Dergisi (GBAD), Cilt NO:6, Sayı No:3, Sayfano: 85-104, Tokat, Aralık-2017

[2] R. Girshick, Fast R-CNN, Proceedings Of The IEEE International Conference On Computer Vision, Cilt 2015 Inter, Pp. 1440-1448, 2015

[3] Mesut Pi¸skin, [Online]. Available:http://mesutpiskin.com/blog/nesne-tespiti-v e-nesne-tanima.html, [Accessed: 07.08.2020]

[4] Cancer Imaging Archive, [Online]. Available:https://www.cancerimagingarchive.n et/collections, [Accessed: 05.08.2020]

[5] Fırat Özgül, Python 3 için Türkçe Kılavuz Sürüm 3 , [Online]. Available: https://belgel er.yazbel.com/python-istihza.pdf, [Accessed: 10.08.2020]

[6] Available:https://github.com/EdjeElectronics/TensorFlow-Object-Detection -API-Tutorial-Train-Multiple-Objects-Windows-10, [Accessed: 06.07.2020]

[7] Available:https://github.com/tensorflow/models, [Accessed: 06.07.2020]

[8] Available: https://github.com/tensorflow/models/blob/master/research/obje ct_detection/g3doc/detection_model_zoo.md [Accessed: 05.08.2020]

[9] LabelImg, [Online]. Available:https://github.com/tzutalin/labelImg, [Accessed: 07.08.2020]

[10] Available: https://github.com/tensorflow/models/blob/master/research/ob ject_detection/samples/configs/faster_rcnn_inception_v2_pets.config, [Accessed: 05.08.2020]

4.5 Sonuç 131

5. Python Pandas & Pandas-Profiling

Python Pandas ve Pandas-Profiling ile Veri

Analizi

˙I. Hakkı CED˙IMO ˘GLU1

1Sakarya Üniversitesi, Bilgisayar ve Bili¸sim Bilimleri Fakültesi, Bili¸sim Sistemleri Mühendis-li˘gi Bölümü, Serdivan, Sakarya, Türkiye

5.1 Giri¸s

Veri analizi, veriden anlam çıkarma sürecidir. Python Programlama dili, finans, ekonomi, istatis-tik, reklam ve web analiti˘gi gibi alanlarında akademik ve ticari olarak kullanılmaktadır. Aynı zamanda, Python Programı Veri analizi için en çok tercih edilen araçlardan biri haline gelmi¸stir. Bili¸sim alanında birçok veri i¸sleme aracı bulunmaktadır. Bu araçlar arasında, ili¸skisel veritabanları (SQL Server, Oracle), elektronik tablolar (Excel), olay i¸sleme sistemleri (Apache Spark gibi) ve R Programlama dili ve Python Programlama dili ve Python pandas kütüphanesigibi araçlar da yer almaktadır.

Veri analizinde pandas kütüphanesi kullanılmaktadır. Pandas kütüphanesi ile veri seti üzerinde ke¸sifsel veri analizi yapılabilmektedir. Pandas profiling kütüphanesi ise hızlı bir ¸sekilde bütünle¸sik veri analizi raporu hazırlanabilmektedir. Pandas kütüphanesi, veriyi alır, veriyi okur ve veriye dataframe nesnesinde gösterir[1].

5.2 Pandas Kütüphanesi

Pandas kütüphanesi, Python programlama dili için geli¸stirilen açık kaynak kodlu bir veri analizi kütüphanesidir. ˙Iki farklı pandas veri yapısı yaygın olarak kullanılmaktadır[2]. Bunlar: Series ve DataFrame’dir.

Series, pandas veri yapılarından birisi olan Series, de˘gi¸sik veri türlerinden, aynı veri türünü saklayabilen tek boyutlu dizilerdir. pandas “Dataframe”de her veri sütunu ise sadece bir tek veri türünü saklamaktadır.

Görsel olarak, bir pandas DataFrame’in görünümü, indeks, satır ve sütunlardan olu¸smaktadır.