Automated liver tumor segmentation and classification using AI and fully convolutional neural network (CNN)
Başlık çevirisi mevcut değil.
- Tez No: 675426
- Danışmanlar: DOÇ. DR. YASA EKŞİOĞLU ÖZOK, DOÇ. DR. ADİL DENİZ DURU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Bu tezin amacı, AI ve tamamen evrişimli sinir ağı (FCNN) kullanarak otomatik karaciğer tümörü segmentasyonu ve sınıflandırması tasarlamak ve uygulamaktır. Bu, gelişmiş nesne tanıma sistemlerinden bahsederken daha fazla zorluğu temsil eder. Bu konunun pratik bir örneği, resimlerdeki nesnelerin tanınmasıdır. Bu, insanların çok iyi gerçekleştirebileceği bir görevdir, ancak Tam Evrişimli Ağ (FCN) sistemleri gerçekleştirmek için mücadele etmez. Görsel Geometri Grubu (VGG-16) önceden eğitilmiş model, R2019a Matlab'da çok büyük ölçekli veri setinde sorunsuz mimari olması nedeniyle veri setinin eğitimi için kullanıldı.“LiTS veri seti”kullanıldı. Veri seti, eğitim için% 70 ve test bölümü için% 30 oranında bölündü. Bu, tamamen evrişimli sinir ağının, ağ mimarileri ve bunları eğitmek için yeni algoritmalarla deneyler yapmaya başlamasını sağladı. Bu araştırma tezi, R2019a Matlab'da karaciğer tümör görüntülerinin tanınması için sağlamlıklarını geliştirmek gibi ağları eğitmek için bir yaklaşım sunar. Bu eğitim stratejisi daha sonra tasarlanmış VGG-16 ağ mimarisi için değerlendirilir. Çalışmanın sonucu, eğitim algoritmasının, yüksek segmentasyon ve sınıflandırma doğruluğu ile hastalık görüntülerinin performansında bir artış pahasına, farklı karaciğer lezyon örneklerini tanımaya yönelik sağlamlığı artırabileceğiydi. Farklı mimari türlerinin avantajları değerlendirildiğinde, 10 çapraz kat doğrulama ile 28 saat süren 300 eğitim dönemi ile karaciğer lezyonu görüntüsüne göre karaciğer tümörünün doğruluğunun% 91,28 civarında olduğu bulunmuştur. Araştırma, karaciğer tümörü segmentasyonu için VGG-16 ile tam otomatik FCN modelini yenilikçi bir şekilde birleştiriyor. İkinci olarak, tıbbi görüntülemede etiket dengesizliği sorunu ile ilgili olarak, ROI'leri bulmak ve yerel segmentasyonları gerçekleştirmek amacıyla nesne algılama tekniklerini semantik segmentasyon çerçevemize entegre ediyoruz. Bu lezyon lokalizasyonu adımı, segmentasyon ağlarının eğitilmesi için ek bir denetim düzeyi getirir.
Özet (Çeviri)
The aim of this thesis is to design and implement automated liver tumor segmentation and classification using AI and fully convolutional neural network (FCNN). This represents more of a challenge when speaking of advance object recognition systems. A practical example of this issue is the recognition of objects in images. This is a task that humans can perform very well, but Fully Convolutional Network (FCN) systems don't struggle to perform. Visual Geometry Group (VGG-16) pre-trained model was used for the training the dataset because of it trouble-free architecture on very large scale dataset“LiTS dataset”was used in R2019a Matlab. The dataset was split with the ratio of 70% for training and 30% for the testing part. This has prompted fully convolutional neural network to start experimenting with networks architectures as well as new algorithms to train them. This research thesis presents an approach to train networks such as improving their robustness to the recognition of liver tumorous images on R2019a Matlab. This training strategy is then evaluated for designed VGG-16 network architecture. The result of the study was that the training algorithm could improve robustness to different liver lesion sample recognition at the expense of an increase in performance for the performance of images of diseases with high accuracy of segmentation and classification. When the advantages of different types of architectures were evaluated, it was found that accuracy of liver tumor were around 91.28% based on the liver lesion image with 300 epochs of training taking 28-hours with 10-cross fold validation. The research innovatively combines VGG-16 and the fully automated FCN model for liver tumor segmentation. Secondly, in regards of the label imbalance issue in medical imaging, we integrate object detection techniques into our semantic segmentation framework for the purpose of locating ROIs and performing local segmentations. This lesion localization step imposes an additional level of supervision on training the segmentation networks.
Benzer Tezler
- Derin öğrenme teknikleriyle bilgisayarlı tomografi görüntülerinden otomatik karaciğer ve tümör segmentasyonu
Automatic liver and tumor segmentation from computed tomography images using deep learning techniques
TEVFİK ÇETİNTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR YILDIRIM
- A medical decision making system for brain tumor identification from magnetic resonance images using machine learning techniques
Makine öğrenimi tekniklerini kullanarak manyetik rezonans görüntülerinden beyin tümörünün belirlenmesi için tıbbi karar verme sistemi
ZAHRAA ABD AL RAHMAN MOHAMMED AL SAFFAR
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Meme kanserinin tespiti ve sınıflandırılması için geliştirilmiş bilgisayar destekli teşhis sistemi
An improved computer aided detection system for breast cancer detection and classification
ABDULLAH FREIDOON FADHIL FADHIL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiFen Bilimleri Ana Bilim Dalı
DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK
- Automatic segmentation of computed tomography images of liver using watershed and thresholding algorithms
Karaciğerin bilgisayarlı tomografi görüntülerinin su havzası ve eşikleme algoritmaları ile otomatik olarak bölütlenmesi
TUĞÇE SENA AVŞAR
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAMİ ARICA
- Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
RABİYE KILIÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEL ÖZBEK