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
- 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
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Facial analysis of dyadic interactions using multiple instance learning
İkili etkileşimlerde çoklu örnekle öğrenme kulllanılarak yüz incelemesi
DERSU GİRİTLİOĞLU
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMDİ DİBEKLİOĞLU
- Adversarial robustness for deep metric learning
Derin metrik öğrenmesi için hasmane dayanıklılık
EZGİ PAKET
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ