Evrişimsel sinir ağları tabanlı gürültü giderici otomatik kodlayıcı kullanarak görüntüyü gürültüden arındırma
Image denoising using deep convolutional based on denoising autoencoder
- Tez No: 625803
- Danışmanlar: DR. ÖĞR. ÜYESİ BETÜL UZBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Günümüzde, insan vücudu için yüksek çözünürlüklü görüntüler elde etmek amacıyla kullanılan tıbbi görüntüleme, tıbbi ortamlarda önemli bir rol oynamaktadır. Tıbbi görüntüleme teknikleri genellikle Gauss, tuz, biber ve benek gürültüleri (Speckle Noise) gibi birçok gürültü türünden etkilenmektedir. Bu nedenle yüksek çözünürlüklü bir vücut görüntüsü almak çok zor olmaktadır. Birçok hastalığın teşhisi için doğru tıbbi görüntüler gereklidir. Bu tezde, Evrişimsel Sinir Ağları (ESA) tabanlı Gürültü Giderici Oto-kodlayıcı (Denoising Autoencoder, DAE) ile tıbbi görüntülerde gürültü giderme tekniği önerilmiştir. Katman sayısı ve evrişim filtre boyutu gibi farklı konfigürasyonlara sahip mimariler değerlendirmiştir. ReLU aktivasyon fonksiyonunu 7, 10 ve 12 gibi 3 farklı evrişimli katman sayısı ile kullanılmıştır. Kullanılan filtre boyutları 16,32,64 ve 128'dir. Çalışmada Kaggle NIH göğüs röntgeni veri kümesinden toplam 30000 görüntü, eğitim seti için 20.000, doğrulama seti için 5.000 ve test seti için 5.000 görüntü olacak şekilde ayrılmıştır. Görüntülere Gauss gürültüsü eklenmiş ve gürültü giderme işlemi gerçekleştirilmiştir. Tüm konfigürasyonlar karşılaştırıldığında ReLU aktivasyon fonksiyonu kullanan model, 7 katman ve 64 filtre boyutunda en iyi sonuçlara sahiptir. Önerilen model, ortalama ve medyan filtreler gibi geleneksel filtreleme yöntemleriyle karşılaştırılmıştır. Önerilen ESA tabanlı DAE kullanılarak görüntüden elde edilen Ortalama Karesel Hata (OKH) ve Tepe Sinyal-gürültü Oranı (Peak Signal-to-Noise Ratio, PSNR) değerlerinin ortalaması sırasıyla 100.895, 28,100'dür. Aynı görüntüler için ortalama filtre kullanılarak 101.234 OKH ve 28.087 PSNR değerleri, medyan filtre kullanılarak 102.063 OKH ve 28.049 PSNR değerleri elde edilmiştir.
Özet (Çeviri)
Nowadays, medical imaging used to obtain high-resolution images for the human body plays an important role in medical settings. The medical imaging techniques usually suffer from many types of noises such as Gaussian, salt and pepper and speckle noises. So, getting a high-resolution body image is so difficult. The accurate medical images are necessary for diagnosis of many diseases. In this thesis, denoising technique in medical images has been proposed with the Convolutional Neural Network based Denoising Autoencoder (DAE). Architectures with different configurations, such as layer number and convolution filter size, were evaluated. The ReLU activation function was used with 3 different convolutional layers such as 7, 10 and 12. The filter sizes used are 16, 32, 64 and 128. In the study, a total of 30000 images from the Kaggle NIH chest X-ray data set were separated as 20,000 for the training set, 5,000 for the validation set and 5,000 for the test set. The Gaussian noise was added to the images and denoising was performed. Compared to all configurations, the Model that uses ReLU activation function with 7 layers and 64 filters size has the better results. This proposed model is compared to the traditional filtering methods such as mean and median filters. The average of the Mean Square Error and Peak Signal-to-Noise Ratio (PSNR) values obtained from the image using the proposed ESA-based DAE is 100.895, 28.100, respectively. For the same images, 101.234 MSE and 28.087 PSNR values were obtained using the average filter, and 102.063 MSE and 28.049 PSNR values were obtained using the median filter.
Benzer Tezler
- Estimation of gravity direction using a machine learning model trained on imperfect IMU data
Gürültülü sensör verileriyle eğitilmiş bir makine öğrenmesi modeli kullanılarak tek bir görüntü üzerinde yerçekimi yönü tespiti
BETÜL ZELİHA TÜRKKOL T.T.ABUZARIFA
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Stochastic bitstream-based vision and learning machines
Stokastik bit akışı tabanlı görü ve öğrenme makineleri
SERCAN AYGÜN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- 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
- Noise removal from the image using convolutional neural networks-based denoising auto encoder
Görüntüden gürültünün kaldırılması: Konvolüsyonel sinir ağları tabanlı gürültü azaltıcı otokodlayıcı
YOUNUS FAROOQ FAEQ CHAWARASH
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERKAN SAVAŞ
- Evreşimsel sinir ağları tabanlı otomatik görüntü renklendirme
Automatic image colorization based on convolutional neural network
OMAR ABDULWAHHAB OTHMAN OTHMAN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BETÜL UZBAŞ