Derin öğrenme modellerinin gürültüye karşı bağışıklığı ve histopatolojide uygulanması
Noise immunity of deep learning and its application in histopatology
- Tez No: 719889
- Danışmanlar: DR. ÖĞR. ÜYESİ CAFER BUDAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 113
Özet
Görüntü elde edilirken oluşan dalgalanmalar sonucunda görüntü piksel değerleri değişmekte ve görüntü gürültülü bir forma dönüşmektedir. Gürültü, eğitim sırasında öğrenilen özelliklerin birbirinden ayrıştırılmasını zorlaştırmakta ve model performansını olumsuz yönde etkilemektedir. Bu tez çalışmasında ilk olarak derin öğrenme mimarilerinin etiket, özellik ve hem etiket hem de özellik gürültülerine karşı bağışıklığı ölçülmüştür. Bu bağlamda: belirlenen altı popüler derin öğrenme mimarisinin doğruluk performansı göz önüne alınarak çeşitli gürültü seviyelerinde daha iyi bağışıklığa sahip model belirlenmiştir. Deneysel çalışmalar için MNIST el yazması rakamlar ve MNIST moda veri setleri kullanılmıştır. Etiket gürültüsü için sırasıyla %5, %10, %20, %30, %40 ve %50 olacak şekilde görüntü etiketleri rastgele değiştirilmiştir. Özellik gürültüsü için ise sırasıyla %5,%10, %20, %30, %40 ve %50 olacak şekilde özelliklere rastgele gürültü eklenmiştir. Gürültü eklenmiş görüntüler DenseNet-201, InceptionV3, Mobilnet-V2, Resnet50, VGG16 ve VGG19 gibi popüler derin öğrenme mimarileri ile eğitilerek gürültüye karşı bağışıklığı ölçülmüştür. Performans ölçüm metriği olarak doğruluk kullanılmıştır. Yapılan deneyler sonucunda derin öğrenme mimarilerinin bağışıklığının model mimarisi ve katman sayısına bağlı olarak değiştiği görülmektedir. Elde edilen sonuçlara göre orta büyüklükteki katman sayısına sahip VGG16 modeli ile çeşitli gürültü türleri ve seviyelerinde daha iyi bağışıklık elde edilmiştir. İkinci olarak histopatolojik mide görüntülerinde, popüler derin öğrenme mimarileri ile taşlı yüzük hücre tespiti yapılmıştır. Hastalığın evresi kanserin ciddiyetini, tedavisini ve hayatta kalma oranını belirlediğinden, erken evrede teşhis oldukça önemlidir. Hastalık geç bir aşamada keşfedildiği için hastanın iyileşme şansı ve hastalığın seyri hakkındaki tahminler genellikle zayıftır. Taşlı yüzük hücreli mide kanserinin erken aşamada teşhis edilmesi hastaların uygun tedaviye sahip olma şansını arttıracaktır. lgi bölgesi(RoI) belirlenmiş histopatolojik mide görüntülerinde kanserli hücre tespiti için VGG16, VGG19 ve InceptionV3 derin öğrenme mimarileri kullanılmıştır. Derin ağ mimarilerinin son beşkatmanı hedef verilerine göre özel hale getirilerek ince ayar stratejisi uygulanmıştır. Model performansını değerlendirmek için doğruluk, kesinlik, geri çağırma ve F1-puan parametreleri kullanılmıştır. Deneysel çalışmalar için“Digestive-System Pathological Detection and Segmentation Grand Challenge 2019”yarışmasından alınan taşlı yüzük hücre veri seti kullanılmıştır. Histopatolojik görüntülerde kanserli hücre tespiti için ise, doğru ilgi bölgesi belirlenmiş derin öğrenme modelleri ile yarışma sonuçlarına göre daha yüksek doğruluk oranı elde edilmiştir. Kullanılan modeller içinde %95 doğruluk ve %95 F1-puan değerleri ile VGG16 modeli daha iyi performans göstermiştir.
Özet (Çeviri)
As a result of the fluctuations that occur during the image acquisition, the image pixel values change and the image turns into a noisy form. Noise makes it difficult to distinguish the features learned during training from each other and negatively affects the model performance. In this study, the immunity of deep learning models to label noise, attribute noise and both label and attribute noises was measured. In this context: by considering the Accuracy performance of the six popular deep learning models, it was tried to determine the model with better immunity at various noise levels. The MNIST database of handwritten digits and the Fashion-MNIST datasets were used for experimental studies. Image labels were randomly changed for label noise at 5%, 10%, 20%, 30%, 40%, and 50%, respectively. For attribute noise, random noise was added to the features as 5%, 10%, 20%, 30%, 40%, and 50%, respectively. Noise-added images were trained with popular deep learning models such as DenseNet-201, InceptionV3, Mobilnet-V2, Resnet50, VGG16 and VGG19 to measure their noise immunity. Accuracy was used as performance measurement metric. As a result of the experiments, it was observed that the immunity of deep learning models varied depending on the model architecture and the number of layers. The results obtained were the VGG16 model with number of medium layers and better immunity at various noise types and levels. In addition, ring cell cancer cells were detected in histopathological images with popular deep learning models. Early diagnosis is critical since the stage of the disease is determinant in the severity, treatment, and survival rate of cancer. Because the disease is discovered at a late stage, predictions about the patient's chances of recovery and the course of the disease are often poor. Diagnosing ring cell gastric cancer at an early stage will increase the chances of patients receiving appropriate treatment. VGG16, VGG19 and InceptionV3 deep learning models were used for cancer cell detection in histopathology images with region of interest (RoI). Fine-tuning strategy was applied by customizing the last five layers of the deep network models according to the target data. The parameters of accuracy, precision, recall, and F1-score were used to evaluate the model performance. Signet ring cell dataset taken from the competition“Digestive System Pathological Detection, and Segmentation Grand Challenge 2019”was employed. When compared to results of the DigestPath2019 Grand challenge ring cell gastric cancer competition, higher accuracy rates were obtained using deep learning models with accurate Region of Interest(RoI). VGG16 model exhibited a higher performance with accuracy of 95% and a F1-score of 95% among the models.
Benzer Tezler
- Biyomedikal sinyaller üzerinden makine öğrenmesi modelleri ile biyometrik kişi tanıma
Biometric person recognition with machine learning models based on biomedical signals
BEYZA ERASLAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBandırma Onyedi Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KUTLUCAN GÖRÜR
- Oyun karakteri üretimi için üretken modeller
Generative models for game character generation
FERDA GÜL AYDIN EMEKLİGİL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Medikal görüntü analizinde gürültü saldırılarına karşı derin öğrenme modellerinin performanslarının karşılaştırılması
Benchmarking of deep learning models against adversarial attacks in medical image analysis
GÖKÇE OK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT DENER
- Modeling educational data with machine learning methods
Eğitim verilerinin makine oğrenmesi algoritmaları kullanılarak modellenmesi
AYŞE İLKNUR DİLEK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK