Geri Dön

Tıbbi görüntülerin saçılım tabanlı öz-denetimli öğrenme ile bölütlenmesi

Medical image segmentation with scattering-based self-supervised learning

PDF İndir

  1. Tez No: 1000383
  2. Yazar: SERDAR ALASU
  3. Danışmanlar: PROF. DR. MUHAMMED FATİH TALU
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Derin öğrenme tabanlı yöntemler, son yıllarda görüntü bölütleme problemlerinde önemli başarılar elde etmiş olsa da, bu başarının temelini oluşturan denetimli öğrenme yaklaşımları yüksek miktarda piksel seviyesinde etiketlenmiş veriye ihtiyaç duymaktadır. Özellikle tıbbi görüntüleme alanında, etiketleme sürecinin uzman bilgisi gerektirmesi, zaman alıcı ve maliyetli olması, büyük ölçekli etiketli veri kümelerinin oluşturulmasını oldukça güçleştirmektedir. Bu nedenle, etiketli veriye daha az bağımlı öğrenme yaklaşımlarının geliştirilmesi, tıbbi görüntü bölütleme alanında kritik bir gereksinim haline gelmiştir. Bu tez çalışmasında, tıbbi görüntü bölütleme problemlerinde etiketli veriye olan bağımlılığı azaltmayı amaçlayan, saçılım-tabanlı öz-denetimli öğrenme yaklaşımı önerilmiştir. Önerilen yöntemde, matematiksel olarak temellendirilmiş öteleme değişmezliği ve küçük deformasyonlara karşı kararlılık özelliklerine sahip, sabit filtrelere dayalı Dalgacık Saçılım Ağları (DSA) ile öğrenilebilir dalgacık parametresi içeren Parametrik Saçılım Ağları (PSA), karşılaştırmalı olmayan bir öz-denetimli öğrenme yöntemi olan Bootstrap Your Own Latent (BYOL) mimarisine entegre edilmiştir. Öz-denetimli ön-eğitim sonrasında elde edilen kodlayıcılar, U-Net mimarisi içerisinde denetimli olarak ince ayar yapılarak değerlendirilmiştir. Önerilen yaklaşım, kardiyak manyetik rezonans görüntülerini içeren ACDC veri seti ile konjenital kalp hastalığına ait bilgisayarlı tomografi görüntülerinden oluşan CHD veri seti üzerinde farklı miktarlarda etiketli veri senaryoları altında gerçekleştirilmiş deneylerle test edilmiştir. Elde edilen sonuçlar, saçılım tabanlı öz-denetimli başlatma stratejilerinin, sınırlı etiketli veri koşullarında rastgele başlatma, ImageNet ön-eğitimi ve standart BYOL yaklaşımlarına kıyasla daha yüksek etiket-verimliliği sağladığını göstermektedir. Özellikle anatomik olarak zorlayıcı yapılar için PSA tabanlı yaklaşım, en yüksek bölütleme performansını sergilemiştir. Bu bulgular, saçılım dönüşümlerinin öz-denetimli öğrenme ile birlikte kullanılmasının, etiket-verimli tıbbi görüntü bölütleme için etkili bir çözüm sunduğunu ortaya koymaktadır.

Özet (Çeviri)

Although deep learning–based methods have achieved significant success in image segmentation problems in recent years, the supervised learning approaches underlying this success require large amounts of pixel-level annotated data. Particularly in the field of medical imaging, the need for expert knowledge in the annotation process, along with its time-consuming and costly nature, makes the curation of large-scale labeled datasets considerably challenging. Therefore, the development of learning approaches that are less dependent on labeled data has become a critical requirement in medical image segmentation. In this thesis, a scattering-based self-supervised learning approach is proposed to reduce the dependency on labeled data in medical image segmentation problems. In the proposed method, fixed-filter Wavelet Scattering Networks (WSN), which provide mathematically grounded properties such as translation invariance and stability to small deformations, and Parametric Scattering Networks (PSN) with learnable wavelet parameters are integrated into Bootstrap Your Own Latent (BYOL), a non-contrastive self-supervised learning framework. The encoders obtained after self-supervised pretraining are evaluated through supervised fine-tuning within a U-Net architecture. The proposed approach was evaluated through experiments conducted under different labeled data scenarios on the ACDC dataset, which consists of cardiac magnetic resonance images, and the CHD dataset, composed of computed tomography images of congenital heart disease. The obtained results demonstrate that scattering-based self-supervised initialization strategies provide higher label efficiency under limited labeled data conditions compared to random initialization, ImageNet pretraining, and the standard BYOL approach. In particular, the PSA-based approach achieves the highest segmentation performance for anatomically challenging structures. These findings indicate that the joint use of scattering transforms and self-supervised learning offers an effective solution for label-efficient medical image segmentation.

Benzer Tezler

  1. Tez No

    802027

    Production of antibacterial biobased blends for biomedical use

    Biyomedikal alanlarda kullanılmak üzere antibakteriyel özellikli biyobazlı harmanların eldesi

    METE DERVİŞCEMALOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Biyoteknolojiİstanbul Teknik Üniversitesi

    Moleküler Biyoloji-Genetik ve Biyoteknoloji Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. FATOŞ YÜKSEL GÜVENİLİR

  2. Tez No

    474714

    İdrardan potansiyel hastalık biyobelirteçleri olan üre, ürik asit, kreatinin, glukoz ve aseton tayini için konfokal raman spektroskopisi kullanılarak yöntem geliştirilmesi

    Method development for the detection of urea, uric acid, creatinine, glucose, and acetone as potential disease biomarkers in urine using confocal raman spectroscopy

    ELİFCAN ONBAŞI

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Tıbbi BiyolojiGazi Üniversitesi

    Tıbbi Biyoloji ve Genetik Ana Bilim Dalı

    PROF. DR. EMİNE SEVDA MENEVŞE

  3. Tez No

    697699

    İnternal radyonüklid tedavisinde organ doz hesaplama parametrelerinin optimizasyonu

    Optimization of organ dose calculation parameters in internal radionuclide treatment

    BİLAL KOVAN

    Doktora

    Türkçe

    Türkçe

    2021

    Fizik ve Fizik Mühendisliğiİstanbul Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. BAYRAM DEMİR

    PROF. DR. CÜNEYT TÜRKMEN

  4. Tez No

    78084

    Tıbbi görüntülerin kayıpsız sıkıştırılması

    Lossless compression of medical images

    GÖKSEV KAPLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ALİ GANGAL

  5. Tez No

    176702

    Tıbbi görüntülerin Gabor filtreler kullanılarak işlenmesi

    Processing of medical images using Gabor filters

    ŞAFAK SARAYDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYDIN AKAN

Geri Dön