Derin öğrenme kullanarak tıbbi görüntü bölütleme
Medical image segmentation using deep learning
- Tez No: 567132
- Danışmanlar: DOÇ. DR. AYŞEGÜL UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Konvolüsyonel Sinir Ağı, Tam Konvolüsyonel Ağ, Tıbbi görüntü bölütleme, Bilgisayar destekli teşhis, Görüntü bölütleme, Makine öğrenmesi, Sayısal görüntü işleme, Deep learning, Convolutional Neural Network, Fully Convolutional Network, Medical image segmentation, Computer assisted diagnosis, Image segmentation, Machine learning, Digital image processing
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, ilk olarak son yıllarda makine öğrenmesi alanında çok fazla ilgi duyulan derin öğrenme yaklaşımı hakkında detaylı bilgilere yer verilmiştir. Daha sonra, en tehlikeli cilt kanseri türü olan melanomun tespitine yardımcı olabilmek adına otomatik bir cilt lezyonu bölütleme uygulaması gerçekleştirilmiştir. Bu tıbbi görüntü bölütleme uygulaması, derin öğrenme tabanlı olan Konvolüsyonel Sinir Ağı (KSA) mimarilerinde değişiklik yapılarak elde edilen Tam Konvolüsyonel Ağ (TKA) mimarileriyle gerçekleştirilmiştir. Uygulama için gerçekleştirilen deneysel çalışmalarda veri seti olarak ISIC 2017 kullanılmış olup FCN-AlexNet, FCN-8s, FCN-16s ve FCN-32s isimli dört farklı TKA mimarisinden yararlanılmıştır. Bu mimariler ve veri seti dikkate alındığında, bu çalışma bilimsel yazında ilk kez gerçekleştirilmiştir. Deneysel çalışmalar için öncelikle TKA'lar ayrı ayrı eğitilmiş ve eğitilen bu ağ modellerinin geçerlilik veri seti üzerindeki doğrulukları ve Dice katsayıları karşılaştırılmıştır. Ayrıca, lezyon bölütleme çıkarımları görselleştirilerek kullanılan TKA mimarilerinin lezyonları ne kadar keskinlikte bölütleyebildiği gözlemlenmiştir. Elde edilen deneysel sonuçlar, cilt lezyonu bölütleme uygulamalarında TKA'ların elverişli olduğunu göstermiştir. Bununla beraber, deneysel sonuçların bilimsel yazına ve tıbbi görüntü bölütleme ile ilgili çalışmalar yapan araştırmacılara katkı sağlayacağı düşünülmektedir.
Özet (Çeviri)
In this thesis, first of all, detailed information about the deep learning approach which is attracted much attention in the field of machine learning in recent years is given. Then, an automatic application about skin lesion segmentation is performed to assist in the detection of melanoma, the most dangerous type of skin cancer. This medical image segmentation application is implemented by using Fully Convolutional Network (FCN) architectures obtained by modifying deep learning-based Convolutional Neural Network (CNN) architectures. ISIC 2017 is used as the dataset and four different FCN architectures named FCN-AlexNet, FCN-8s, FCN-16s and FCN-32s are used in the experimental studies performed for the application. Considering these architectures and dataset, this study is carried out for the first time in the literature. For the experimental studies, FCNs are first trained separately and accuracies on the validation dataset and Dice coefficients of these trained network models are compared. Besides, lesion segmentation inferences are visualized to take account of how precisely FCN architectures can segment lesions. The experimental results obtained show that FCNs are suitable for skin lesion segmentation. In addition, it is thought that the experimental results will contribute to the scientific literature and the researchers who are working on medical image segmentation.
Benzer Tezler
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU