Boosting fully convolutional networks for gland instance segmentation in histopathological images
Histopatolojik görüntülerde bez örneği bölütlemesi için tam evrişimsel ağ güçlendirmesi
- Tez No: 574711
- Danışmanlar: DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Mevcut literatürde, tam evrişimsel sinir ağları (FCN'ler), bez bölütleme de dahil olmak üzere yoğun tahmin işleri için en çok tercih edilen mimarilerdir. Öte yandan, öğrenmesi zor pikselleri doğru şekilde tahmin etmek için bu ağları yeterince eğitmek önemli bir zorluktur. Bu amaçla geliştirilmiş ek stratejiler olmadan, ağlar veri setinin zayıf genellemelerini öğrenmeye meyillidir. Buna neden eğitim sırasında ağların kayıp fonksiyonlarına veri setindeki en yaygın ve öğrenmesi kolay piksellerin hakim olabilmesidir. Bez örneği bölütleme işindeki sınır ayrımı problemi bu duruma tipik bir örnektir. Bezler birbirine çok yakın olabilir ve sınır bölgeleri nispeten az piksel içerdiğinden, bu bölgeleri öğrenmek ve bez örneklerini ayırmak daha zordur. Bu ayırma, bez örneği bölütleme işi için esas olduğundan; bu durum, sonuçlarda büyük dezavantajlara yol açar. Bahsedilen sınır ayırma problemi için, bu piksellerin bağıl kayıp katkısını artırarak veya sınır algılamayı mimariye ek bir görev olarak ekleyerek ağ eğitimi sırasında sınır piksellerine verilen dikkatin artırılması önerilmiştir. Her ne kadar bu teknikler bezlerin sınırlarını daha iyi ayırmaya yardımcı olsa da, görüntülerde çoğunlukla gürültü ve artifaktlara bağlı başka öğrenmesi zor piksel türleri (ve bundan dolayı başka hata türleri) olabilir. Ancak, ağların her türlü hataya karşı eğitilmesi için uygun dikkatin açıkça ayarlanması mümkün değildir. Bunu motivasyonla, daha etkili bir çözüm olarak, bu tez uyarlamalı güçlendirmeye dayanan yinelemeli bir dikkat öğrenme modeli önermektedir. Önerilen bu AttentionBoost modeli; önceden bir varsayımda bulunulmadan, doğrudan görüntü verileri üzerinde eğitilen çok aşamalı bir yoğun tahmin ağıdır. Bu ağın uçtan uca eğitimi sırasında, her aşama, önceki aşamaların hatalarına bağlı olarak, her görüntüdeki her piksel için tahminin önemini ayarlar. Bu şekilde, her aşama, kendisini önceki aşamaların hatalarını öğrenmeye zorlayan farklı bir dikkatle ilgili işi öğrenir. Bez örneği bölütleme işi üzerinde yapılan deneyler, modelimizin literatürdeki yaklaşımlardan daha iyi sonuçlar elde edebildiğini göstermiştir.
Özet (Çeviri)
In the current literature, fully convolutional neural networks (FCNs) are the most preferred architectures for dense prediction tasks, including gland segmentation. However, a significant challenge is to adequately train these networks to correctly predict pixels that are hard-to-learn. Without additional strategies developed for this purpose, networks tend to learn poor generalizations of the dataset since the loss functions of the networks during training may be dominated by the most common and easy-to-learn pixels in the dataset. A typical example of this is the border separation problem in the gland instance segmentation task. Glands can be very close to each other, and since the border regions contain relatively few pixels, it is more difficult to learn these regions and separate gland instances. As this separation is essential for the gland instance segmentation task, this situation arises major drawbacks on the results. To address this border separation problem, it has been proposed to increase the given attention to border pixels during network training either by increasing the relative loss contribution of these pixels or by adding border detection as an additional task to the architecture. Although these techniques may help better separate gland borders, there may exist other types of hard-to-learn pixels (and thus, other mistake types), mostly related to noise and artifacts in the images. Yet, explicitly adjusting the appropriate attention to train the networks against every type of mistake is not feasible. Motivated by this, as a more effective solution, this thesis proposes an iterative attention learning model based on adaptive boosting. The proposed AttentionBoost model is a multi-stage dense segmentation network trained directly on image data without making any prior assumption. During the end-to-end training of this network, each stage adjusts the importance of each pixel-wise prediction for each image depending on the errors of the previous stages. This way, each stage learns the task with different attention forcing the stage to learn the mistakes of the earlier stages. With experiments on the gland instance segmentation task, we demonstrate that our model achieves better segmentation results than the approaches in the literature.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Self-supervised learning for unsupervised image classification and supervised localization tasks
Denetimsiz görüntü sınıflandırma ve denetimli yer saptama görevleri için öz-denetimli öğrenme
MELİH BAYDAR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE AKBAŞ
- Beyin tümörlerinin derin öğrenme yaklaşımlarıyla tespiti
Detecting brain tumors using deep learning approaches
MEHMET ALİ ATICI
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
- Machine learning-adapted rapid visual screening method for prioritizing seismic risk states of masonry structures
Yığma yapıların sismik risk durumlarının önceliklendirilmesine yönelik makine öğrenmesine adapte edilmiş hızlı görsel tarama yöntemi
ONUR COŞKUN
Doktora
İngilizce
2023
İnşaat MühendisliğiHacettepe Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER ALDEMİR
- Generalized multi-view data proliferator (gem-vip) for boosting classification
Genelleştirilmiş çok boyutlu veri üretimi ile sınıflandırma hassaslığının yükseltilmesi
MUSTAFA ÇELİK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ISLEM REKIK