Geri Dön

PlutoNet: Modifiye edilmiş kısmi kod çözücü ve tutarlılık eğitimi ile verimli bir polip bölütleme ağı

PlutoNet: An efficient polyp segmentation network with modified partial decoder and consistency training

  1. Tez No: 779101
  2. Yazar: TUĞBERK EROL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 70

Özet

Kolon kanseri dünyada en sık görülen kanser türlerindendir. Kalın bağırsakta bulunan poliplerin kanser hücrelerine dönüşmeden cerrahi müdahale ile kaldırılması gerekmektedir. Günümüzde poliplerin tanısı sırasında uzmanlara yardımcı olmak için derin öğrenme modelleri geliştirilmektedir. Bu çalışmalar polipleri tespit ederek poliplerin sınırlarını belirlemekte ve bu sayede poliplerin tarama sırasında gözden kaçma oranını azaltmaktadır. Ancak bu güncel çalışmalar çok fazla parametre gerektirmektedir. Çalışmamızda literatüre göre daha az parametre gerektiren bir polip bölütleme modeli önerilmiştir. Modelimiz modifiye edilmiş kısmi kod çözücü ve yardımcı bir kod çözücü ile tutarlılık eğitimi olmak üzere iki temel yenilik önermektedir. Modifiye edilmiş kısmi kod çözücü ile düşük seviye bilgileri içeren kodlayıcı katmanlar kod çözücüde kullanılmayıp orta ve yüksek seviye bilgiler içeren kodlayıcı katmanlar farklı ölçeklerde birleştirilmiştir. Bu sayede düşük seviye bilgilerin tekrarı azaltılmış ancak yüksek seviye bilgiler farklı ölçeklerde birleştirilerek daha fazla anlamsal detayın yakalanması sağlanmıştır. Bunun yanında asimetrik sıkıştır ve genişlet bloğu ile değişken en ve boy oranına sahip lezyon bölgelerindeki detaylar yakalanmıştır. Tutarlılık kaybı ile iki farklı kod çözücünün kayıp değeri hesaplanarak toplam kayba eklenmiş ve bu sayede modelin daha güçlü temsiller öğrenmesi ve lezyon bölgesine odaklanması sağlanmıştır. Çalışmamız kolonoskopi ve kapsül endoskopi görüntüleri içeren beş farklı polip veri kümesinde test edilmiştir. Bu testlerde çalışmamız diğer modellere göre çok daha az parametre gerektirmesine rağmen daha üstün sonuçlar elde etmiştir. Aynı zamanda modelimizin genellenebilirliği hücre çekirdeği görüntüleri ve cerrahi aletler içeren veri kümelerinde de test edilmiş ve bu testlerde de modelimiz üstün sonuçlar elde etmiştir.

Özet (Çeviri)

Colon cancer is one of the most common types of cancer in the world. Colorectal polyps need to be surgically removed before they turn into cancerous cells. Deep learning studies are carried out to assist specialists during the diagnosis of polyps. These studies reduce the rate of missed polyps by detecting the polyps and defining their regions. However, these studies require too many parameters. In our study, we propose a polyp segmentation model that requires fewer parameters compared to state-of-the-art models. We propose two novel approaches with our model which are the modified partial decoder and a consistency training approach that involves the auxiliary decoder. With the modified partial decoder, we skip the encoder layers containing low-level features and combine the encoder layers that contain medium and high-level features at different scales. This way, we reduce the redundant low-level features, but we manage to capture more semantic details by combining higher-level features at different scales. Moreover, we capture details of the lesion regions with varying widths and aspect ratios using the asymmetric squeeze and excitation block. With consistency training, we combine the loss between two decoders and add it to the total loss. This way, we improve the encoder's representations and focus more on the lesion regions. We tested our model on five different polyp datasets that include colonoscopy and capsule endoscopy images. Although our model requires fewer parameters, it outperforms the state-of-the-art models. We also tested our model on datasets that contain cell nuclei images and endoscopic images that contain surgical instruments to demonstrate our model's generalizability. Our model outperformed the state-of-the-art models and can be generalized well to these datasets.

Benzer Tezler

  1. Karapir-Ortaköy (Akdağmadeni-Yozgat) granitoyitinde alterasyon ve eser element jeokimyası incelemeleri

    Alteration and trace element geochemistry of Karapir-Ortakoy (Akdagmadeni-Yozgat) granitoid

    ORBAY BAŞDELİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Jeoloji MühendisliğiCumhuriyet Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET GÖKCE

  2. Yüzey kaplama taşı olarak kullanılan granitik kayaçların kalite yönünden karşılaştırılması

    Comparison of quality of the granitic rocks as ornamental stone

    FETİ AHMET GÖKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    Jeofizik Mühendisliğiİstanbul Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ATİYE TUĞRUL

  3. Munzur dağlarının jeolojisi ve tektonik özellikleri

    Başlık çevirisi yok

    EROL ÖZER

    Doktora

    Türkçe

    Türkçe

    1992

    Jeoloji MühendisliğiKaradeniz Teknik Üniversitesi

    Jeoloji Ana Bilim Dalı

    PROF. DR. TÜRKER ÖZSAYAR

  4. Çaykara (Trabzon) güneyinde metamorfizma ve bunun jeolojik evrimdeki yeri

    The Metamorfism to the south of Çaykara (Trabzon) and its significance in geological evolution

    LÜTFİ ALTINKAYNAK

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    Jeoloji MühendisliğiKaradeniz Teknik Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SALİM GENÇ

  5. Bergama-Ayvalık dolayında genç volkanizma plütonizma ilişkilerinin jeolojik ve petrolojik araştırılması

    Başlık çevirisi yok

    ŞAFAK ALTUNKAYNAK

    Doktora

    Türkçe

    Türkçe

    1996

    Jeoloji Mühendisliğiİstanbul Teknik Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. YÜCEL YILMAZ