Data augmentation on chest X-rays for improving pathology classification performance
Patoloji sınıflandırma performansını geliştirmek için göğüs X-ray filmlerinde veri çoğaltma
- Tez No: 730994
- Danışmanlar: PROF. DR. LALE AKARUN ERSOY, DR. PINAR YANARDAĞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Patoloji, Sınıflandırma, X ışını fotogrametrisi, Pathology, Classification, X ray photogrammetry
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda derin öğrenme teknikleri müthiş gelişme göstermektedir. Ekonomi, askeri, sağlık ve birçok alanda uygulamalarını görebiliriz. Özellikle sağlık alanı en kritiklerinden birisidir. Dünya nüfusu her gün hızla artarken, sağlık çalışanları işleri hızlandırabilmek için teknolojiye daha fazla ihtiyaç duymaktadır. Bu sebeple üretilen yeni yöntemler ciddi katkılar sağlamakta ama veri yetersizliği fazlasına engel olmaktadır. Modelleri daha fazla eğitmek için kullanılacak veriler kişisel verilerin gizliliği sebebiyle toplanamamaktadır. Örneğin, göğüs X-ray'leri patoloji sınıflandırması için sıklıkla kullanılmaktadır. Bunun üzerine çalışılan derin öğrenme yöntemleri ise sınırlı kalmaktadır çünkü çok az verikümesi bulunmaktadır. Bu problemi çözmek için göğüs X-ray'lerindeki patoloji sınıflandırma sonuçlarını arttırmak amacıyla veri çoğaltma konusuna odaklandık. Sunduğumuz ilk yöntem ısı haritası tabanlı imge tamamlama yöntemi. Bu, X-ray'lerdeki sağlıklı bölgenin büyük bir bölümünün tamamlanmasıyla yeni X-ray'ler oluşturmuş oluyor. Böylece, X-ray'in etiketi de korunmuş oluyor. İkinci yöntemde ise, koşullu üretici StyleGAN2-ADA eklenmiş GANSpace modeli ile imge sentezleme üzerine çalışma yaptık. Son olarak, sağlıklı ve gerçek X-ray'leri vektörlere dönüştürerek GANSpace ile manipüle etme çalışmasını gösterdik. Sayısal sonuçlara bakıldığı zaman imge tamamlama yöntemi orjinal dataset ile elde edilmiş sınıflandırma sonucunu \%86.1'den \%87.7'ye yükseltmiştir. Koşullu GANSpace yöntemi deneylerine bir taban oluşturmak için StyleGAN2-ADA modeli ile X-ray'ler ürettik ve çoğalttığımız verilerin sınıflandırılması bize \%87.36 sonucunu verdi. Sunduğumuz Koşullu GANSpace methodu ise bunu da geliştirerek en yüksek sonuç olan \%88.5'i elde etti.
Özet (Çeviri)
In recent years, deep learning techniques have made great progress. We can see applications of it in many fields such as economics, military, healthcare, and so on. Healthcare, in particular, is one of the most critical of these areas. While the world population is growing every day, healthcare professionals need more computerized technologies to make things faster. Proposed new methods are making important contributions to the healthcare system, but the lack of data is limiting development. Privacy issues prevent more patient data from being collected to use for training models. For example, chest X-rays are commonly used in pathology classification. However, studies are limited due to the lack of public datasets. To solve this problem, we focus on data augmentation on chest X-rays to improve pathology classification results. To this end, we demonstrate three methods. In the first, we propose a heatmap based image inpainting that uses X-ray images with observations and inpaints the large healthy areas to create new X-rays while preserving the labels. The second proposed method synthesizes images using an extended version of GANSpace by adding a conditional generator StyleGAN2-ADA. Finally, we demonstrate the manipulation of real and healthy X-ray images using latent space manipulation and GAN inversion. Our quantitative experiments show that heatmap based inpainting improves classification results from 86.1\% to 87.7\%. To provide a basis for our Conditional GANSpace method, the results of X-ray image generation experiments using StyleGAN2-ADA are also provided. The classification result of the dataset augmented using StyleGAN2-ADA is 87.36\% and our Conditional GANSpace improves this result with the highest result of 88.5\%.
Benzer Tezler
- Ovulasyon indüksiyonu tedavisinde folliküler gelişimin ultrasonografik takibi
Başlık çevirisi yok
MERİH BAYRAM
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MÜLAZIM YILDIRIM
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Doğuştan kalça çıkıklı hastalarda kalça patolojilerinin bilgisayarlı tomografi ile değerlendirilmesi
Başlık çevirisi yok
NECDET ŞÜKRÜ ALTUN
Tıpta Uzmanlık
Türkçe
1987
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF.DR. ORHAN ASLANOĞLU
- İşletmelerde veri örgütlenmesi ve yönetim açısından bilgi sistemleri
Başlık çevirisi yok
FAHAMET TOPALOĞLU
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ