Üretken çekişmeli ağ ve UNet kullanılarak segmente edilmiş tomografi görüntülerden Covid-19 sınıflandırmasında farklı derin öğrenme mimarilerinin kullanımı
Using different deep learning methods for Covid-19 classification from CT scans segmented by generative adversarial networks and UNet
- Tez No: 686890
- Danışmanlar: DR. ÖĞR. ÜYESİ NURDAN BAYKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Covid-19 Segmentasyonu, Covid-19 Sınıflandırması, Bilgisayarlı tomografi, Çekişmeli Üretken Ağ, Evrişimsel Sinir Ağı, Patch Evrişimsel Sinir Ağı, Kapsül Sinir Ağı, Covid-19 Segmentation, Covid-19 Classification, Generative Adversarial Network, Convolutional Neural Network, PatchCNN, Capsule Neural Network
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
2019 yılının sonlarında ortaya çıkan yeni koronavirüs (Covid-19), 7 kıtanın tümünde büyük bir küresel sağlık krizine neden olmuştur. Bu virüsle mücadele etme yolunda atılan önemi adımlardan biri etkili tarama, erken teşhis ve enfekte kişilerin izolasyonu yoluyla hastalığın yayılmasını sınırlamaktır. Bilgisayarlı tomografi (BT) taramaları tanıyı belirlemede etkili bir yöntem haline gelirken, BT'nin radyolojik tetkikleri radyologların iş yükünün büyük ölçüde artmasına neden olmuştur. BT görüntülerinden Covid-19'un tespitinde Bilgisayar Destekli Tanı (BDT) sistemlerinin kullanılması radyologların yükünü azaltmakta ve tanı verimliliğini artırmaktadır. Bu çalışmada, Covid-19 enfekte bölgeleri, göğüs BT görüntülerinde otomatik olarak segmentlere ayıran UNet tabanlı ve Koşullu Üretken Çekişmeli Ağa (kÜÇA) dayalı yeni bir sistem önerilmiştir. Segmentasyon amacıyla, üretici (generator), enfekte olmuş bölgelerin etrafındaki sınırları belirleyen ikili maskeler oluşturmayı öğrenirken, ayırıcı (discriminator) ise gerçek ve sentetik maskeleri ayırt etmeyi öğrenir. Dolayısıyla bu çekişmeli eğitim, üreteci çok gerçekçi ikili maskeler oluşturarak virüslü bölgeleri tespit etmeye zorlamaktadır. Deneysel sonuçlar, önerilen yöntemin %92.32 zar skoru (dice score) ve %86.41Birlik üzerinde Kesişim (BüK) (IoU) skoru ile segmentasyon başarısı sağladığını göstermektedir. Ayrıca, tez kapsamında, önerilen yöntemle üretilen maskeleri kullanarak Covid-19 hastalarını sınıflandırmak için Evrişimsel Sinir Ağı (ESA), Patch Evrişimsel Sinir Ağı (PatchESA) ve Kapsül Sinir Ağı (KapsülSA) olmak üzere üç ayrı sınıflandırıcı kullanılmıştır. Bu sınıflandırıcıların başarısı sırasıyla %99.20, %92.30 ve %73.83'tür. Bu sonuçlara göre en yüksek sınıflandırma başarısı kÜÇA_Unet ve ESA'nın birlikte kullanıldığı sistemde elde edilmiştir.
Özet (Çeviri)
The new coronavirus, which emerged at the end of 2019, caused a major global health crisis in 7 continents. An essential step towards fighting this virus is limiting the spread of the disease through effective screening, early detection and isolation of infected persons. While computed tomography (CT) scans have become an effective method to detecting the diagnosis, radiological examination of CT has led to a large increase in the workload for radiologists. Computer Aided Detection (CAD) systems for Covid-19 from CT images can therefore reduce the burden on radiologists and improve efficiency of diagnosis. In this study, a new system based on UNet-based Conditional Generative Adversarial Network (cGAN) that automatically segments infected regions from chest CT slices is proposed. For the purpose of segmentation, the generator learns to create binary masks that outline boundaries around these infected regions while the discriminator learns to distinguish between the real and synthetic masks. This adversarial training therefore forces the generator to detect infected regions by creating very realistic binary masks. Experimental results show that the proposed method achieves a segmentation success with a dice score of 92.32% and IoU score of 86.41%. Furthermore, 3 classifiers which include a Convolutional Neural Network (CNN), a PatchCNN and a Capsule Neural Network (CapsNet) are proposed to classify the generated masks as either Covid-19 or not. Success of these classifiers was 99.20%, 92.30% and 73.83%, respectively. According to these results, the highest success was achieved in the system where cGAN_Unet and CNN are used together.
Benzer Tezler
- Biyomedikal imgeler için yapay zekâ tabanlı hücre segmentasyonu yöntemi
Artificial intelligence based cell segmentation method for biomedical images
GİZEM DURSUN DEMİR
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UFUK ÖZKAYA
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Enhancing image-to-image translation: A novel conditional generative adversarial network approach with u-net and resnet combination
Görüntüden görüntüye çevirinin geliştirilmesi: U-net ve resnet kombinasyonu ile yeni bir koşullu üretken çekişmeli ağ yaklaşımı
KHALED AL HARIRI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKUT ARICAN
- Yüz görüntülerinde derin üretken modeller ile anlamsal görüntü tamamlama
Semantic image completion with deep generative models in facial images
İLKAY ÇINAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT KÖKLÜ
- Missing data recovery in GPR with deep learning
Derin öğrenme ile GPR görüntülerinde veri kurtarma
KÜBRA TAŞ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER