Derin metrik öğrenme ile histopatolojik görüntülerin sınıflandırılması
Classification of histopathological images with deep metric learning
- Tez No: 611138
- Danışmanlar: DOÇ. DR. HASAN ŞAKİR BİLGE
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Metrik öğrenme, örnekler arasındaki benzerliği ölçmek için bir benzerlik metriğinden yararlanır. Genellikle doğrusal bir izdüşüm kullanan metrik öğrenme yöntemleri, doğrusal olmayan özellikleri gösteren gerçek dünyadaki problemleri çözmede sınırlıdır. Doğrusal olmayan veriler için metrik öğrenmede çekirdek yaklaşımları kullanılır. Son yıllarda popülerliği artan derin metrik öğrenme konusunda dikkat çeken çalışmalar bulunmaktadır. Derin metrik öğrenme (DML) sahip olduğu aktivasyon fonksiyonları ile doğrusal olmayan veriler için de en uygun çözümü elde etmekte oldukça başarılıdır. Bu tez çalışmasında derin metrik öğrenmenin literatürdeki konumu, önemi ve katkıları hakkında detaylıca bilgi verilmiştir. DML benzer sınıf örnekleri arasındaki uzaklığı azaltmaya çalışırken, farklı sınıf örnekleri arasındaki uzaklığı ise arttırmaya çalışmaktadır. Derin metrik öğrenmede bunu gerçekleştirmek için, örnekleme stratejisi, ağ mimarisi ve kayıp fonksiyonu ağın başarısında temel faktörlerdir. Genel itibariyle literatürü incelediğimizde çalışmaların birçoğunun Siamese ve Triplet ağlarından esinlendiği görülmüştür. Bu tez çalışmasında metrik öğrenme bakış açısıyla üç farklı uygulama geliştirilmiştir. Öncelikle geleneksel metrik öğrenme yaklaşımı kullanılarak Parkinson çoklu ses veri kümesi üzerinde deneyler yapılmıştır. Bu deneylerde sınıflandırma başarımını arttırmak için en uygun 𝑊 ağırlık matrisi genetik algoritma kullanılarak elde edilmiştir. Daha sonra histopatholojik veri kümesinde derin metrik öğrenme modelleri kullanılarak çalışmalar yapılmıştır. Son olarak ise, histopatolojik veri kümesi üzerinde bölütleme yaklaşımı ile hücre çekirdekler tespit edilmiştir. Tespit edilen hücre çekirdek görüntülerinin derin metrik öğrenme yaklaşımıyla sınıflandırma işlemi gerçekleştirilmiştir. Elde edilen sonuçlar ile derin metrik öğrenmenin genellikle örnek sayısı sınırlı olan histopatolojik veriler için başarıyla uygulanabileceği görülmüştür.
Özet (Çeviri)
Metrik öğrenme, örnekler arasındaki benzerliği ölçmek için bir benzerlik metriğinden yararlanır. Genellikle doğrusal bir izdüşüm kullanan metrik öğrenme yöntemleri, doğrusal olmayan özellikleri gösteren gerçek dünyadaki problemleri çözmede sınırlıdır. Doğrusal olmayan veriler için metrik öğrenmede çekirdek yaklaşımları kullanılır. Son yıllarda popülerliği artan derin metrik öğrenme konusunda dikkat çeken çalışmalar bulunmaktadır. Derin metrik öğrenme (DML) sahip olduğu aktivasyon fonksiyonları ile doğrusal olmayan veriler için de en uygun çözümü elde etmekte oldukça başarılıdır. Bu tez çalışmasında derin metrik öğrenmenin literatürdeki konumu, önemi ve katkıları hakkında detaylıca bilgi verilmiştir. DML benzer sınıf örnekleri arasındaki uzaklığı azaltmaya çalışırken, farklı sınıf örnekleri arasındaki uzaklığı ise arttırmaya çalışmaktadır. Derin metrik öğrenmede bunu gerçekleştirmek için, örnekleme stratejisi, ağ mimarisi ve kayıp fonksiyonu ağın başarısında temel faktörlerdir. Genel itibariyle literatürü incelediğimizde çalışmaların birçoğunun Siamese ve Triplet ağlarından esinlendiği görülmüştür. Bu tez çalışmasında metrik öğrenme bakış açısıyla üç farklı uygulama geliştirilmiştir. Öncelikle geleneksel metrik öğrenme yaklaşımı kullanılarak Parkinson çoklu ses veri kümesi üzerinde deneyler yapılmıştır. Bu deneylerde sınıflandırma başarımını arttırmak için en uygun 𝑊 ağırlık matrisi genetik algoritma kullanılarak elde edilmiştir. Daha sonra histopatholojik veri kümesinde derin metrik öğrenme modelleri kullanılarak çalışmalar yapılmıştır. Son olarak ise, histopatolojik veri kümesi üzerinde bölütleme yaklaşımı ile hücre çekirdekler tespit edilmiştir. Tespit edilen hücre çekirdek görüntülerinin derin metrik öğrenme yaklaşımıyla sınıflandırma işlemi gerçekleştirilmiştir. Elde edilen sonuçlar ile derin metrik öğrenmenin genellikle örnek sayısı sınırlı olan histopatolojik veriler için başarıyla uygulanabileceği görülmüştür.
Benzer Tezler
- Breast cancer diagnosis in histopathological images using autoencoder-enhanced convolutional neural network
Histopatolojik görüntülerde meme kanseri teşhisi için otokodlayıcı ile geliştirilmiş evrişimsel sinir ağı kullanımı
İSMAİL İÇME
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Histopatolojik görüntüler kullanılarak dikkat tabanlı transfer öğrenme yöntemiyle meme kanseri sınıflandırması
Breast cancer classification using attention-based transfer learning on histopathological images
ABUBAKIR ALI HAMMOOD
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHİR KAYA
- Çekişmeli üretici ağlar ile gerçekçi histopatolojik görüntü üretimi ve evre tespiti
Realistic histopathology image generation and stage detection with generative adversarial networks
REYHAN DEDE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN BİLGİN
- Derin öğrenme modellerinin gürültüye karşı bağışıklığı ve histopatolojide uygulanması
Noise immunity of deep learning and its application in histopatology
VASFİYE MENÇİK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAFER BUDAK
- Göğüs kanseri veri setinin GAN mimarisi ile sentetik olarak elde edilmesi
Synthetic generation of breast cancer data set using GAN architecture
DİLŞAT BERİN AYTAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMRA GÜNDÜÇ