Deep learning analysis in dermoscopy images
Dermoskopi görüntülerinde derin öğrenme analizi
- Tez No: 642744
- Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL BURAK PARLAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 70
Özet
Bilgisayar destekli radyoloji, matematik, tıp ve mühendislik arasında disiplinlerarası bir alan haline gelmiştir. Tümör tespiti, analizi ve sınıflandırması, tanı ve takip için dijital radyolojideki temel problemlerdendir. Bir doktor veya onkolog, şüpheli lezyonların patolojisini analiz eden in situ karsinomun detaylı raporlarını dikkate alarak hastaların bakımında yer alır. Tıpta çeşitli alanlara uygulanan derin öğrenme, onkolojiye bir müdahale olarak kabul edilir. Rezeksiyon durumunda lezyonun son tedavisine onkologlar veya cerrahlar karar verse bile, görüntü temelli lezyon (iyi huylu veya kötü huylu) analizi, radyolojide otomatik karar vermeyi vaat eder. Son yıllarda makine öğrenimi tekniklerinin insan algısı için anlamsız olabilecek verileri anlamlı hale dönüştürme yeteneğinin artmasıyla beraber, görüntü analizi için kullanılan derin öğrenme teknikleri, son yıllarda hekimlere yardımcı olan önemli bir araç haline gelmiştir. Deri lezyonlarının saptanması ve sınıflandırılması tıbbi görüntü analizinde güncel zorluklardandır. Lezyonlar arasındaki benzerlik ve lezyonlar ile cilt arasındaki düşük kontrast nedeniyle cilt hastalıklarını tanımak zordur. Dermatolojik görüntü işleme, doktorların doğru tanı koymasına yardımcı olmak için bu teknolojiyle, özellikle cilt lezyonlarının teşhisiyle ilgili olan kısmına yoğun ilgi göstermektedir. Bu tez, U-Net, bir generatif adversial ağ (GAN) türevi olan SegAN ve MultiResUNet gibi son teknoloji derin öğrenme yaklaşımlarıyla cilt tümörü içeren dermatoskopik görüntüleri kullanarak cilt lezyonu analiz problemlerini çözmede yol göstermeyi amaçlayan bir karşılaştırma sunmaktadır. SegAN, klasik CNN'lerden farklı olarak derin öğrenme modeline üretici ve ayırıcı adımlar ekleyerek yeni bir mimari sunmuştur. MultiResUNet, medikal görüntüleme alanının temel sorunlarından biri olan yetersiz veri problemini bağlamsal detayları az veriden başarılı bir şekilde çıkararak aşmayı amaçlayan bir derin sinir ağı mimarisidir. Bu makalede, U-Net, SegAN ve MultiResUNet mimarileri Uluslararası Biyomedikal Görüntüleme Sempozyumu (ISBI) 2017 Yarışması'ndan alınan iki boyutlu cilt lezyonu görüntüleri üzerine uygulanmıştır. Ön işlemeden sonra, renkli görüntüler hem SegAN da hem de MultiResUNet'te eğitilmiştir. Deney düzeneği, model eğitimi öncesinde tümör görüntülerine artımlı gürültü eklenerek zenginleştirilmiştir. Değerlendirme; doğruluk, duyarlılık, özgüllük, Dice katsayısı ve Jaccard katsayısı parametreleri ile yapılmıştır. Sonuç olarak, test sonuçları hem SegAN hem de MultiResUNet mimarilerinin cilt lezyonu analizinde, farklı gürültü oranlarında tutarlı bir yaklaşım sağladığını ve U-Net mimarisine göre daha başarılı olduklarını göstermiştir.
Özet (Çeviri)
Computer assisted radiology becomes an interdisciplinary domain between mathematics, medicine and engineering. Tumor detection, analysis, classification are main problems in digital radiology for diagnosis and follow-up. A physician or an oncologist involves in the care of patients by regarding detailed reports of carcinoma in situ that analyze the pathology of suspicious lesions. Deep learning applied to several fields in medicine is considered as an intervention for oncology. Even if the final treatment of the lesion is decided by the oncologists or the surgeons in a case of resection, image based analysis of lesions (benign or malign) promises automated decision making for radiology. Because of the increased ability of machine learning techniques to transform input data into high level presentations, deep learning techniques used for image analysis have become important for helping physicians in the last few years. Skin lesion detection and classification are current challenges in medical image analysis. Skin diseases are difficult to recognize because of the similarity between lesions and low contrast between the lesions and the skin. Dermatologic image processing benefits from the evaluation scores of neural nets. To help the physicians for the accurate diagnosis, the medical field has an increasing interest in this technology, especially in the diagnosis of skin lesions. This thesis presents a comparision between various state-of-the-art deep learning frameworks namely U-Net, SegAN and MultiResUNet to solve skin lesion analysis problems using a dermatoscopic image that contains a skin tumor. SegAN which is a special type of Generative Adversarial Network (GAN) brings a new architecture in machine learning by adding generator and discriminator steps in data analysis. MultiResUNet is a U-Net-based neural network architecture which aims to overcome the insufficient data problem in medical imaging field by extracting contexual details even if the dataset is small. In this thesis, U-Net, SegAN and MultiResUNet architectures have been implemented on two dimensional skin lesion images from the International Symposium on Biomedical Imaging (ISBI) 2017 Challenge. After the preprocessing, colored images have been trained in U-Net, SegAN and MultiResUNet. The experiment setup has been enriched by adding incremental noise on tumor images before models training. The evaluation has been tested through accuracy, sensitivity, specificity, Dice coefficient and Jaccard coefficient parameters. In conclusion, test results showed that both SegAN and MultiResUNet architectures provide a robust approach against U-Net which is well known medical image segmentation framework in skin lesion analysis.
Benzer Tezler
- Derin öğrenme tabanlı yöntemler ile cilt lezyonlarının bölütlenmesi
Classification of skin lesions with deep learning based methods
NURULLAH ŞAHİN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
DR. ÖĞR. ÜYESİ NUH ALPASLAN
- Derin öğrenmeye dayalı yapay zekâ teknikleri kullanılarak dermoskopik görüntülerden melanom tahminini sağlayan bir web arayüzünün geliştirilmesi
Development of a web interface for estimating melanoma from dermoscopic images using artificial intelligence techniques based on deep learning
ALİ KAPLAN
Yüksek Lisans
Türkçe
2021
Biyoistatistikİnönü ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMEK GÜLDOĞAN
- Derin öğrenme ile görüntü bölütleme
Image segmentation with deep learning
ELİF IŞILAY ÜNLÜ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ÇINAR
- Attention mechanism in deep learning: An application in skin cancer
Derin öğrenmede dikkat mekanizması: Cilt kanserinde bir uygulama
MOHAMAD YATTABARE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
DOÇ. DR. MURAT GEZER
- Removal of hair artifacts in skin lesion images and its impact on skin cancer detection
Cilt lezyon görüntülerinde kıl artifaktlarının giderilmesi ve cilt kanseri tespitine etkisi
BERCESTE YILMAZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AMİRA TANDİROVİÇ GÜRSEL