Tıbbi görüntü bölütleme performansının iyileştirilmesi için U-Net mimarisinin optimizasyonu
Optimizing the U-Net architecture to improve medical image segmentation performance
- Tez No: 1024409
- Danışmanlar: DOÇ. DR. İLKER ALİ ÖZKAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tıbbi görüntü bölütlemesi, patolojik yapıların piksel düzeyinde hassas olarak tanımlanmasını gerektiren ve klinik hata toleransının son derece düşük olduğu bir alandır. Bu zorlukların aşılması amacıyla literatürde çeşitli U-Net tabanlı derin öğrenme mimarileri önerilmiş ve farklı görüntüleme modaliteleri üzerinde değerlendirilmiştir. Bu tez çalışmasının temel amacı, farklı veri dağılımlarında kararlı çalışabilen, genellenebilirlik kapasitesi yüksek ve donanım açısından verimli özgün mimariler geliştirmektir. Bu kapsamda, optik tıbbi görüntüler ve manyetik rezonans görüntüleri için iki farklı mimari yaklaşım tasarlanmıştır. Dermoskopi ve endoskopi görüntülerinde kullanılmak üzere çoklu dikkat mekanizmalarıyla desteklenen artık genişletilmiş evrişimli MRD-UNet mimarisi geliştirilmiştir. Bu modelde önerilen paralel genişletilmiş artık blok (PGAB), giriş tensörünü kanal boyutunda eşit gruplara bölerek her grubu bağımsız bir genişleme oranına sahip evrişim dalına yönlendirmektedir. Uygulanan bu ayrık kanallı strateji literatürde bilinen dama tahtası etkisini engellerken çok ölçekli bağlamsal bilginin eş zamanlı öğrenilmesini sağlamaktadır. Modelin başarımı, ISIC-2018 ve CVC-ClinicDB veri kümeleri üzerinde güncel yöntemlerle kıyaslanmıştır. Ayrıca PH2 veri kümesi üzerinde yapılan çapraz veri testleriyle modellerin genellenebilirlik düzeyi kanıtlanmıştır. Sonuçlar, önerilen yapının farklı optik tıbbi görüntüleme görevlerinde dengeli ve rekabetçi bir performans sergilediğini göstermiştir. Çalışmanın ikinci aşamasında, aksiyel spondiloartrit tanısında önemli olan sakroiliak eklem aktif inflamasyonlarının bölütlenmesine odaklanılmıştır. Bu amaçla, çok ölçekli dinamik özellik çıkarım yeteneğine sahip MDC-UNet mimarisi önerilmiştir. Ağın kodlayıcı evresine entegre edilen dinamik ağırlıklı kanal birimi (DAKB), modaliteye özgü artan genişleme oranlarıyla elde edilen çok ölçekli özellikleri küresel bağlam bilgisine dayalı eğitilebilir ağırlıklarla dinamik olarak kaynaştırmaktadır. Model, sakroiliak eklem MR veri kümesi üzerinde hem tek sekanslı hem de çoklu sekanslı giriş stratejileri ile test edilmiştir. Bulgular, bütünleşik kanal stratejisinin ve dinamik ölçek seçiminin küçük, sınırları belirsiz ve ciddi sınıf dengesizliği içeren ödem odaklarının bölütlenmesinde son derece etkili olduğunu ortaya koymuştur. Genel olarak değerlendirildiğinde bu tez çalışması ile farklı tıbbi görüntüleme cihazlarından elde edilen verileri yüksek doğruluk, daha az parametre ve optimum donanım verimliliğiyle analiz edebilen özgün modeller literatüre kazandırılmıştır. Geliştirilen bu yaklaşımlar temel U-Net mimarisinin bölütleme başarımını iyileştirmiş ve güvenilir, kararlı bir altyapı sunmuştur.
Özet (Çeviri)
Medical image segmentation is a field that requires precise pixel-level identification of pathological structures and has extremely low clinical error tolerance. To overcome these challenges, various U-Net-based deep learning architectures have been proposed in the literature and evaluated on different imaging modalities. The main objective of this thesis is to develop original architectures that operate robustly across different data distributions, have high generalization capacity, and are hardware efficient. In this context, two different architectural approaches were designed for optical medical images and magnetic resonance images. The MRD-UNet architecture, a residual dilated convolutional network supported by multiple attention mechanisms, was developed for use in dermoscopy and endoscopy images. The parallel dilated residual block (PGAB) proposed in this model divides the input tensor into equal groups along the channel dimension and directs each group to a convolution branch with an independent dilation rate. This split-channel strategy prevents the checkerboard artifact known in the literature while enabling the simultaneous learning of multi-scale contextual information. Model performance was compared with current methods on the ISIC-2018 and CVC-ClinicDB datasets. Furthermore, cross-dataset tests conducted on the PH2 dataset proved its generalization level. Results showed that the proposed structure exhibits a balanced and competitive performance in different optical medical imaging tasks. The second phase of the study focused on the segmentation of sacroiliac joint active inflammations, which are important in the diagnosis of axial spondyloarthritis. For this purpose, the MDC-UNet architecture with multi-scale dynamic feature extraction capability was proposed. The dynamic weighted channel block (DAKB) integrated into the encoder stage of the network dynamically fuses multi-scale features obtained through increasing dilation rates using learnable weights based on global context information. The model was tested on a sacroiliac joint MR dataset using both single-sequence and multi-sequence input strategies. Findings revealed that the integrated channel strategy and dynamic scale selection are highly effective in segmenting edema foci that are small, have unclear boundaries, and contain severe class imbalance. Overall, this thesis introduces original models to the literature that can analyze data obtained from different medical imaging devices with high accuracy, fewer parameters, and optimum hardware efficiency. These developed approaches improved the segmentation performance of the basic U-Net architecture and provided a reliable, robust infrastructure.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Prostat MR görüntülerinden üretilen segmentasyon maskelerinin güvenilirliğini belirlemek için belirsizlik modellerinin geliştirilmesi
Developing uncertainty methods to determine trustworthiness of segmentation masks generated from prostate MR images
EMRE OKUMUŞ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMATÜLZEHRA USLU
- Bilgisayarlı tomografi anjiyografi görüntülerinde pulmoner embolilerin bilgisayar destekli tespiti
Computer aided detection of pulmonary embolism in computed tomography angiography images
HAYDAR ÖZKAN
Doktora
Türkçe
2011
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. ALİ FUAT BOZ
DOÇ. DR. ONUR OSMAN
- Multimodal medical visual question answering: Knowledge spaces and semantic segmentation for improved and explainable AI
Çok-kipli tıbbi görsel soru cevaplama: Bilgi uzayları ve anlamsal bölütleme ile gelişmiş ve açıklanabilir yapay zekâ
ZİYA ATA YAZICI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Active learning for semantic image segmentation through conformal risk control
Konformal risk kontrolü ile semantik görüntü bölütleme için etkin öğrenme
CAN ERHAN
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE