Derin Q öğrenme ile medikal görüntü segmentasyonu
Medical image segmentation using deep Q-learning
- Tez No: 1025649
- Danışmanlar: PROF. DR. RAHİME CEYLAN, DOÇ. DR. GÜZİN ÖZMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, medikal görüntülerin daha doğru, hızlı ve güvenilir bir şekilde analiz edilmesini sağlamak amacıyla, derin pekiştirmeli öğrenme (DPÖ) yöntemlerinden biri olan Derin Q Öğrenme (Deep Q-Learning) algoritması temel alınarak medikal görüntü segmentasyonu gerçekleştirilmiştir. Segmentasyon işlemi, medikal alanda; tümör belirleme, organ sınırlarının çıkarılması, lezyon tespiti gibi birçok uygulamanın temelini oluşturur ve bu nedenle yüksek doğruluk ve hassasiyet gerektirir. Çalışmada, ISIC 2016 dermoskopik cilt lezyonu veri seti kullanılmıştır. Veri setindeki görüntüler ve uzmanlar tarafından oluşturulan maske verileri ön işleme adımlarından geçirilerek model eğitimine uygun hale getirilmiştir. İlk aşamada U-Net modeli ile cilt lezyonlarının segmentasyonu gerçekleştirilmiş, ikinci aşamada ise U-Net tarafından üretilen segmentasyon çıktıları U-Net tabanlı Derin Q Öğrenme (U Net tabanlı DQÖ) ile iyileştirilmeye çalışılmıştır. Bu süreçte, modelin öğrenme performansı ve segmentasyon başarısı, geliştirilen sistemin yapay zekâ destekli klinik karar destek sistemlerine katkı sunma potansiyeli dikkate alınarak değerlendirilmiştir. Bu çalışmada U-Net tabanlı DQÖ modeli, U-Net tarafından üretilen başlangıç segmentasyon maskesini doğrudan değiştiren ve bu maskeyi adım adım iyileştirmeye çalışan bir ajan yapısı olarak tanımlanmıştır. Ajanın durum bilgisi, giriş dermoskopik görüntüsü ile mevcut segmentasyon maskesinin birlikte değerlendirilmesiyle oluşturulmuştur. Eylemler ise maske üzerinde yapılan düzeltme adımlarını temsil etmiştir. Ödül mekanizması, segmentasyon başarısındaki değişime göre tanımlanmış ve böylece DQÖ ajanının U-Net çıktısı üzerindeki iyileştirme etkisi analiz edilmiştir. Ayrıca segmentasyon doğruluğundaki değişimlerin medikal görüntü analizi ve tanıya yardımcı sistemler açısından sağlayabileceği katkılar tartışılmıştır. Bu çalışmada elde edilen nicel sonuçlara göre, U-Net modeli test veri setinde 0.8940 Jaccard İndeksi (Jİ), 0.9451 kesinlik, 0.9460 duyarlılık, 0.9367 Dice Benzerlik Katsayısı (DBK) ve 0.9367 F1 skoruna ulaşmıştır. Buna karşılık DQÖ modeli aynı veri setinde 0.8040 Jİ, 0.8826 kesinlik, 0.9091 duyarlılık, 0.8853 DBK ve 0.8853 F1 skoru elde etmiştir. Sonuç olarak, U-Net modeli hem nicel performans hem de sınır doğruluğu açısından daha dengeli ve güvenilir bir segmentasyon başarımı sunarken, U-Net tabanlı Derin Q Öğrenme modeli alternatif ve geliştirilmeye açık bir yaklaşım olarak değerlendirilmektedir.
Özet (Çeviri)
In this thesis, medical image segmentation was performed by using Deep Q-Learning, which is one of the deep reinforcement learning methods, in order to analyze medical images more accurately, rapidly and reliably. The segmentation process forms the basis of many medical applications such as tumor detection, organ boundary extraction and lesion detection; therefore, high accuracy and sensitivity are required. In the study, the ISIC 2016 dermoscopic skin lesion dataset was used. The images in the dataset and the expert-annotated mask data were preprocessed and prepared for model training. In the first stage, skin lesion segmentation was performed using the U-Net model. In the second stage, the segmentation outputs produced by U-Net were aimed to be improved using a U-Net-based Deep Q-Learning model. In this process, the learning performance and segmentation success of the model were evaluated by considering the potential contribution of the developed system to artificial intelligence-supported clinical decision support systems. In this study, the U-Net-based Deep Q-Learning model was defined as an agent structure that directly modifies the initial segmentation mask produced by U-Net and attempts to improve this mask step by step. The state information of the agent was formed by jointly evaluating the input dermoscopic image and the current segmentation mask. The actions represented the correction steps applied on the mask. The reward mechanism was defined according to the change in segmentation performance, and thus the improvement effect of the Deep Q-Learning agent on the U-Net output was analyzed. In addition, the possible contribution of changes in segmentation accuracy to medical image analysis and diagnostic support systems was discussed. According to the quantitative results obtained in this study, the U-Net model achieved 0.8940 Jaccard index, 0.9451 precision, 0.9460 recall, 0.9367 Dice Similarity Coefficient (DSC) and 0.9367 F1 score on the test dataset. In comparison, the U-Net-based Deep Q-Learning model obtained 0.8040 Jaccard index, 0.8826 precision, 0.9091 recall, 0.8853 DSC and 0.8853 F1 score on the same dataset. As a result, the U-Net model provided a more balanced and reliable segmentation performance in terms of both quantitative performance and boundary accuracy. However, the U-Net-based Deep Q Learning model is considered an alternative and improvable approach for iterative refinement of segmentation outputs.
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
- Derin öğrenme uygulaması destekli pekiştirmeli öğrenme algoritması ile beyin kanserileri tanı ve sınıflandırılmasında arayüz oluşturulması
Development of interface for the diagnosis and classification of brain cancers with reinforcement learning algorithm supported by deep learning application
SEDA ARIKAN
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriAkdeniz ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM SARAÇ
DOÇ. DR. YİĞİT ALİ ÜNCÜ
- Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks
Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi
FURKAN ÖZÇELİK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Pansharpening using generative adversarial networks with dual discriminators
Çift ayrıştırıcılı çekişmeli üretken ağlar kullanarak pankeskinleştirme
NAHİDE NESLİ CESUR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Beyin MR görüntülerinde gizlilik tabanlı yaklaşım : Federe öğrenme
Privacy-based approach to brain MRI: Federated learning
ŞEVKET AY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EKİN EKİNCİ
DR. ÖĞR. ÜYESİ ZEYNEP GARİP