Shape-preserving loss in deep learning for cell segmentation
Hücre bölütlenmesi için derin öğrenmede şekil-koruyan kayıp
- Tez No: 641147
- Danışmanlar: PROF. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- 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: 87
Özet
Tam evrişimsel sinir ağları (TEA'lar), mikroskop görüntülerinde hücre bölütlemesi için en gelişmiş modeller haline gelmiştir. Bu ağlar, tipik olarak her pikselin kaybını ayrı ayrı tanımlayan ve bu piksel kayıplarınının ortalamasını veya toplamını alan bir kayıp fonksiyonunu küçülterek eğitilir. Kayıp fonksiyonunun bu piksel bazlı tanımı, piksellerin tahminleri arasındaki uzamsal ilişkileri dikkate almadığından, ağı belirli bir şekli (şekilleri) öğrenmeye yetecek kadar eğitemez. Öte yandan, ağın bu yeteneği, doğaları gereği yaygın olarak benzer morfolojik özellikler gösteren hücreleri daha iyi bölütlemek için önemli olabilir. Bu soruna yanıt aramak adına, bu tez, hücre bölütlemesinde bir TEA'yi eğitmek için yeni bir dinamik şekil koruyan kayıp fonksiyonu ortaya koyar. Bu kayıp fonksiyonu, piksel ağırlıklarını öncül şekil bilgisine duyarlı olarak tanımlayan ağırlıklı bir çapraz düzensizliktir. Bu amaçla, ağırlıkları piksellerin ait olduğu bölütlenmiş nesnelerin şekli ile gerçek bölütleme (ground truth) hücrelerinde tahmin edilen şekil öncülleri arasındaki benzerlik temelinde hesaplar. Bu tez, bir hücrenin şeklini ölçmek için Fourier tanımlayıcılarını kullanır ve bu Fourier tanımlayıcılarının dağılımı üzerine bir benzerlik ölçütü tanımlamayı önerir. Dört farklı medikal görüntü veri seti üzerinde alınan deneysel sonuçlar, önerilen bu kayıp fonksiyonunun, bu veri setlerindeki örneklerin bölütlemesinde karşıtından daha iyi performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
Fully convolutional networks (FCNs) have become the state-of-the-art models for cell instance segmentation in microscopy images. These networks are trained by minimizing a loss function, which typically defines the loss of each pixel separately and aggregates these pixel losses by averaging or summing. Since this pixel-wise definition of a loss function does not consider the spatial relations between the pixels' predictions, it does not sufficiently impose the network to learn a particular shape(s). On the other hand, this ability of the network might be important for better segmenting cells, which commonly show similar morphological characteristics due to their natures. In response to this issue, this thesis introduces a new dynamic shape-preserving loss function to train an FCN for cell instance segmentation. This loss function is a weighted cross-entropy whose pixel weights are defined as prior-shape-aware. To this end, it calculates the weights based on the similarity between the shape of the segmented objects that the pixels belong to and the shape-priors estimated on the ground truth cells. This thesis uses Fourier descriptors to quantify the shape of a cell and proposes to define a similarity metric on the distribution of these Fourier descriptors. Working on four different medical image datasets, the experimental results demonstrate that this proposed loss function outperforms its counterpart for the segmentation of instances in these datasets.
Benzer Tezler
- Geleneksel pencere elemanı üzerinden derin öğrenme ile mimari kimliğin belirlenmesi
Determining architectural identity using deep learning based on traditional window elements
DİLARA ZEYNEP ÇETİNTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. HATİCE DERYA ARSLAN
DR. ÖĞR. ÜYESİ ÖZLEM ERDAŞ ÇİÇEK
- A fast 3d flow field prediction around bluff bodies using deep learning
Derin öğrenme kullanılarak küt cisimler etrafındaki 3 boyutlu akış alanının tahmini
FARHAD NEMATI TAHER
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDUSSAMET SUBAŞI
- Açıklanabilir yapay zekâ teknikleri ile parkinson hastalık teşhisi
Diagnosis of parkinson's disease with explainable artificial intelligence techniques
TUĞÇE KAÇAR
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ONUR OLGUN
- Rethinking agricultural communication in the context of power/knowledge: Socialization of digital agriculture in Geyve
Tarımsal ı̇letı̇şı̇mı̇ bilgi/iktidar bağlamında yenı̇den düşünmek: Geyve'de dı̇jı̇tal tarımın sosyalleşmesı̇
KÜBRA SULTAN YÜZÜNCÜYIL
Doktora
İngilizce
2024
İletişim BilimleriGalatasaray ÜniversitesiRadyo Televizyon ve Sinema Ana Bilim Dalı
PROF. DR. HALİME YÜCEL BOURSE
- Principles for the conservation of the rural heritage of hacilarobasi (Safranbolu)
Safranbolu hacılarobası köyü kırsal mirasının korunmasına yönelik ilkeler
TUĞBA BALLIOĞLU
Yüksek Lisans
İngilizce
2023
MimarlıkOrta Doğu Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. UFUK SERİN