Retinal blood vessel segmentation using transfer learning on unet
Unet üzerinden transfer öğrenmeyi kullanarak retınal kan damar segmentasyonu
- Tez No: 766098
- Danışmanlar: PROF. DR. SEMA KAYHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 63
Özet
Retina kan damarının manuel segmentasyonu zaman alıcıdır ve oftalmologlar arasında farklı sonuçlar vardır, bu nedenle otomatik bir yaklaşım oluşturmak, hipertansiyon gibi hastalıkları tespit etmek için görüntülerin analizini iyileştirebilir. Derin Öğrenme modelleri son on yılda mükemmel performans göstermiştir. Bu tezde, ağı, özellikle tıbbi görüntüler için verimli olan Evrişimli Sinir Ağı tabanlı bir mimari olan UNET ile kurduk. Ücretsiz olarak erişilebilen DRIVE veri kümesi yetersiz sayıda eğitim ve test örneğini içerdiğinden, öğrenmeye rastgele değerlerle başlamak yerine önceden eğitilmiş ağdaki ağırlıkları kullanan bir yöntem olan Transfer Öğrenme kullanarak yöntemimizi oluşturduk. VGG, ResNet ve EfficientNet gibi son teknolojiye sahip önceden eğitilmiş ağ tasarımlarını iki farklı boyutta kullandık. VGG19 mimarisi ile ağın en üst 12 katmanını dondurarak %96.84 doğruluk elde edebildik. Bu umut verici sonuç, bu yaklaşımın gerçek dünya senaryolarında geliştirilmiş doğrulukla kullanılabileceğini göstermektedir.
Özet (Çeviri)
Manuel segmentation of the retinal blood vessel is time-consuming and there are different conclusions among the ophthalmologists hence creating an automated approach can improve the analysis of the images in order to detect diseases like hypertension. Deep Learning models have shown great performance in the last decade. In this thesis, we constructed the network with UNET, a Convolutional Neural Network-based architecture particularly efficient for medical images. Since the DRIVE dataset, which is freely available, comprises insufficient numbers of training and test samples, we created our method using Transfer Learning, a method that uses the weights from the previously trained network rather than starting the learning with random values. We used several state-of-the-art pre-trained network designs such as VGG, ResNet, and EfficientNet in two different sizes. With the VGG19 architecture, we were able to achieve 96.84% accuracy by freezing the top 12 layers of the network. This promising result shows that this approach can be used in real-world scenarios, with improved accuracy.
Benzer Tezler
- Optik koherens tomografi görüntülerinden diyabetik maküler ödem ve sıvı birikimi bulgularının derin öğrenme yöntemleri ile tespit edilmesi
Detection of diabetic macular edema and fluid accumulation findings from optical coherence tomography images by deep learning methods
SALİHA YEŞİLYURT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER BAŞTÜRK
- Data augmentation in retinal fundus images segmentation using deep learning
Derin öğrenme kullanarak retina fundus görüntülerinin segmentasyonu için veri artırma
NAGAT MASUED
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ÖZTÜRK
- Distortion detection and restoration pipeline for phase contrast microscopy time-series-images
Faz kontrast microskopi zaman serisi goruntulerinde bozulma tespiti ve yeniden yapılandırma algoritması
MAHMUT UÇAR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM ÜNAY
PROF. DR. Uğur TÖREYİN
- Segmentation of retinal blood vesselsusing a novel fuzzy logic algorithm
Başlık çevirisi yok
BURAK YILDIRIM
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik MühendisliğiUniversity of BridgeportDR. BUKET D. BARKANA
- Retinal fundus görüntülerde piksel tabanlı sınıflandırma yöntemleri ile kan damarlarının çıkarılması
Extraction of blood vessels with pixel based classification methods in retinal fundus images
ZAFER YAVUZ
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL KÖSE