Improving classification performance of endoscopic images with generative data augmentation
Üretken veri çoğaltma ile endoskopi görüntülerinde sınıflandırma başarımının iyileştirilmesi
- Tez No: 720159
- Danışmanlar: PROF. DR. ALPTEKİN TEMİZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Modelleme ve Simülasyon Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Derin öğrenme temelli bilgisayarla görü modellerinin performansı eğitim sırasında kullanılan görüntülerin kalitesi ve çeşitliliğine bağlıdır. Bazı uygulamalarda yeni görüntü toplamak imkansız olabilir. Veri çoğaltma yöntemlerinin kısıtlı veri olması halinde performans iyileştirmesi sağladığı gösterilmiştir. Çekişmeli Üretici Ağlar (ÇÜA) üzerindeki güncel gelişmeler ışığında üretilen sentetik görüntülerin kalitesi ve çeşitliliği artmıştır ve kısıtlı veri ile ÇÜA eğitimi mümkün kılınmıştır. Endoskopik görüntüleme vücut içinde semptomlara neden olan hastalıkların teşhisi için önem arz etmektedir. Ülseratif Kolit (UK) doktorların gastrointestinal endoskopi yöntemi ile hastalarına teşhis ve tedavi uyguladığı bir gastrointestinal hastalıktır. UK hastalığının değerlendirilmesi için hastalık belirtilerinin şiddetine göre Mayo skorlama sistemi kullanılmaktadır. Derin öğrenme temelli yaklaşımlarla endoskopi görüntülerinin Mayo skoruna göre sınıflandırılması denenmiş ve uygulanabilir olduğu gösterilmiştir. Bu tezde ÇÜA eğitimi ile sentetik görüntüler elde edilerek, bu görüntüler ile derin öğrenme modellerinin örnek uzayı genişletilerek nihayetinde sınıflandırma performanslarında iyileştirme sağlanması önerilmektedir. Sonuçlara göre ÇÜA tarafından üretilen sentetik görüntülerle derin öğrenme temelli yaklaşımların sınıflandırma performansında %2.7 artış sağlanmıştır.
Özet (Çeviri)
The performance of a supervised deep learning model is highly dependent on the quality and variety of the images in the training dataset. In some applications, it may be impossible to obtain more images. Data augmentation methods have been proven to be successful in increasing the performance of deep learning models with limited data. Recent improvements on Generative Adversarial Networks (GAN) algorithms and structures resulted in improved image quality and diversity and made GAN training possible with limited data. The process of endoscopic imaging is essential for diseases with symptoms occurring inside the body. Medical experts use gastrointestinal endoscopic imaging to assess their patients and treat them. Ulcerative Colitis (UC) is a gastrointestinal disease where the assessment of a patient's health is done by Mayo scoring, where experts evaluate the severity of the disease symptoms. The classification of endoscopic images according to Mayo classes with deep-learning-based approaches has been studied and proven to be feasible. This thesis proposes adopting a GAN-based synthetic image generation process to increase the number of images in the dataset used by deep-learning-based methods. The results show that the classification performance of deep-learning-based approaches can be improved by 2.7% with the help of synthetic images generated by generative adversarial networks.
Benzer Tezler
- Kablosuz kapsül endoskopi görüntülerinin sınıflandırılması için derin öğrenme modellerinin optimize edilmesi
On optimizing deep learning model performance for wireless capsule endoscopy image classification
MOHAMED ALSHAIKH
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUZAFFER KANAAN
- Computer-aided estimation of endoscopic activity in ulcerative colitis
Ülseratif kolit endoskopik aktivitesinin bilgisayar yardımı ile tahmin edilmesi
GÖRKEM POLAT
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. ALPTEKİN TEMİZEL
- Hibrit (EEG- NIRS) beyin bilgisayar arayüzü sistemlerinde sınıflandırma performansının iyileştirilmesi
Improving classification performance in hybrid (EEG and NIRS) brain computer interface systems
ABDULKERİM ALMALI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErzurum Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAŞAR DAŞDEMİR
- Uzaktan algılama görüntülerinde Swin tabanlı dönüştürücülerin ön işlem olarak kullanılmasının sınıflandırmada karşılaştırılması
Comparison of Swin-based transformers as preprocessing in remote sensing image classification
BERFİN KURTOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ÇİFTÇİ
- Detecting multilingual offensive language in social media using deep neural networks
Derin sinir ağlarını kullanarak sosyal medyada çokludilli saldırgan dil tespit etme
MAHMUD BİRECİKLİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELMA AYŞE ÖZEL