Derin öğrenme tabanlı gerçek zamanlı polip tespit yöntemlerinin geliştirilmesi ve incelenmesi
Development and investigation of deep learning based real-time polyp detection methods
- Tez No: 738192
- Danışmanlar: PROF. DR. DERVİŞ KARABOĞA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: YOLO, ABC, Kolon kanseri, Kolorektal kanseri, Rektal kanseri, Derin öğrenme, Tıbbi görüntü işleme, Hiper-parametre optimizasyonu, Aktivasyon fonksiyonları optimizasyonu, YOLO, ABC, Colon cancer, Colorectal cancer, Rectal cancer, Deep learning, Medical image processing, Hyper-parameter optimization, Activation functions optimization
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 184
Özet
Kolorektal kanseri (KRK), dünya çapında en yaygın üçüncü kanser türüdür ve görülme sıklığı sürekli artmaktadır. Kolonoskopi, KRK taramasında altın standart olarak kabul edilir ve KRK'nın öncüsü olan poliplerin kanserli yapıya dönüşmeden anında çıkarılmasına olanak tanır. Klasik bilgisayar destekli teşhis (CAD) temelli otomatik polip tespit sistemleri gerçek zamanlı çalışma, duyarlılık, kesinlik ve özgüllük açısından yoksundur. Son zamanlarda, derin öğrenme mimarilerinin birçok alanda başarılı sonuçlar vermesiyle beraber otomatik polip tespitinde bu zorluklar aşılmıştır. Bu tez, otomatik polip tespitinde yaşanan zorlukların araştırılmasını ve katkıda bulunulması için derin öğrenme yaklaşımlarını ve optimizasyon algoritmalarını kullanarak klinikte uygulanabilecek bir CAD sistemi geliştirmiştir. Önerilen sistem, halka açık veri setlerinin yetersiz olmasından dolayı literatürde var olan bütün veri setlerinden daha büyük miktarda eşsiz polip ve görüntüsü içeren yeni bir veri seti sunuyor. YOLO nesne tespit algoritmaları temelli dört model polip tespiti için önerilmiştir. Yapay arı koloni (ABC) algoritması, YOLO algoritmalarına başarılı bir şekilde entegre edilerek aktivasyon fonksiyonu ve hiper-parametre optimizasyonunu gerçekleştirerek başarıma ciddi bir katkı sağlamıştır. Bunlara ek olarak, farklı veri artırma teknikleri, eğitim stratejileri ve özellik çıkarıcı yapılar kullanılarak sistemin başarısı optimal düzeye getirilmiştir. Bu yapıların entegrasyonu sonucu, gerçek zamanlı otomatik polip tanıma sistemi klinik seviyesinde performans göstermektedir.
Özet (Çeviri)
Colorectal cancer (CRC) is the third most common type of cancer worldwide and its incidence is constantly increasing. Colonoscopy is considered the gold standard in CRC screening and allows the timely removal of polyps, which are the precursors of CRC, before they turn into cancerous structures. Conventional computer-aided detection (CAD)-based automated polyp detection systems lack real-time operation, sensitivity, precision, and specificity. Recently, these difficulties have been overcome in automatic polyp detection, with deep learning architectures giving successful results in many areas. This thesis has developed a clinically applicable CAD system using deep learning approaches and optimization algorithms to investigate and contribute to the challenges in automatic polyp detection. The proposed system introduces a new dataset containing a larger amount of unique polyps and images than any existing dataset in the literature due to the lack of publicly available datasets. Four models based on YOLO object detection algorithms have been proposed for polyp detection. Artificial bee colony (ABC) algorithm has been successfully integrated into YOLO algorithms, making a significant contribution to the success by performing activation function and hyper-parameter optimization. In addition to these, the success of the system has been optimized by using different data augmentation techniques, training strategies and feature extractor structures. As a result of the integration of these structures, the real-time automatic polyp detection system performs at the clinical level.
Benzer Tezler
- Sulkus tanılı hastaların videostroboskopik görüntülerinin yapay zeka temelli tanısal değerlendirilmesi
An ai-powered diagnostic assessment of videostroboscopic images in patients diagnosed with sulcus
ÖMER TARIK KAVAK
Tıpta Uzmanlık
Türkçe
2024
Kulak Burun ve BoğazMarmara ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
DOÇ. DR. NECATİ ENVER
- Derin öğrenme tabanlı gerçek zamanlı video analiz uygulamaları için dağıtık kenar hesaplama sistemi
Distributed edge computing system for deep learning based real-time video analysis applications
İRFAN KILIÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP AYDIN
- Derin öğrenme tabanlı geçek zamanlı kimliklendirme sistemi
Deep learning based real time identification system
MEHMET FATİH ÖZDEMİR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- A deep learning based real-time object detection implementation in a virtual instrument cluster
Sanal gösterge panelinde derin öğrenme tabanlı gerçek-zamanlı nesne algılama uygulaması
ABDELRAHMAN MAGDY IBRAHIM FAWZY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZHAN URHAN
- Yazılım tabanlı araçsal ağlara yönelik gerçekleştirilen DDoS saldırılarının derin öğrenme tabanlı gerçek zamanlı tespiti
Deep learning based real-time detection of DDoS attacks on software-defined based vehicular networks
ONUR POLAT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT