A comparison of CNN-based visual explanation methods inmedical images
Sağlık görüntülerinde CNN tabanlı görsel açıklama yöntemlerinin karşılaştırılması
- Tez No: 826987
- Danışmanlar: PROF. NAFİZ ARICA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 47
Özet
Yapay zeka (YZ), modern yaşamda giderek daha hayati hale geliyor, ancak YZ yaklaşımları daha karmaşık hale geldikçe açıklamaları zorlaşabilir ve özellikle tıp alanında sonuçlarına güven eksikliğiyle yol açabilir. Tıbbi YZ uygulamalarında, makine öğrenmesi modellerinin yorumlanabilir ve güvenilir olmasını sağlamak için Açıklanabilir Yapay Zeka (AYZ) yaklaşımları kritiktir ve bu, hasta sonuçlarını iyileştirmek için önemlidir. Tıbbi görüntülemede, ısı haritaları gibi görselleştirme yöntemleri, makine öğrenmesi çıktılarının yorumlanabilir ve güvenilir temsillerini oluşturmanın en iyi yoludur ve hastalık belirtileri veya anormalliklerin olası bölgelerinin tespit edilmesine olanak tanır. Bu araştırma, tıbbi görüntü analizi için doğru ve güvenilir ısı haritaları oluşturmak için birden fazla Konvolüsyonel Sinir Ağı tabanlı (KSA tabanlı) görsel açıklama yaklaşımını inceleyerek karşılaştırır ve tıbbi YZ'nin güvenilirliğini ve kullanışlılığını artırmayı hedefler. Bu tez, Kvasir endoskopi veri setinde iki sınıf ve HAM10000 cilt kanseri veri setinde 7 sınıf ile birkaç AYZ görselleştirme yaklaşımını karşılaştırır. Kvasir veri setinde, 0,9 doğruluk oranı elde eden bir efficientnet-v2-s modeli eğitilir ve GradCAM, XGradCAM, teknikleri gibi birçok Aktivasyon Haritası (AH) yöntemi kullanılarak ısı haritaları oluşturulur. HAM10000 veri setinde, doğruluk oranı 0,74 olan bir VGG16 modeli eğitilir ve ısı haritaları oluşturmak için HemKatmanlı Önemlilik Yayılımı (HÖY) ve GradCAM yaklaşımları kullanılır. Bir değerlendirme ölçütü olarak Kesişim Üzerine Birlik (KÜB) tekniği kullanılır. Bu tez, görselleştirme yöntemlerini karşılaştırmaya ve ısı haritalarını geliştirmeye ve ilgi alanlarının kapsamını artırmaya çalışırken teknikleri birleştirerek en yüksek kalitede sonuçları elde etmek için maksimum oylama, birleşme ve kesişim olmak üzere üç farklı yöntem kullanır. Tezin bulguları, GradCAM yöntemlerinin birleştirilmesinin tıbbi görüntülerde en ilgili özellikleri yakalayan son derece.
Özet (Çeviri)
Artificial intelligence (AI) is becoming more vital in modern life, but as AI approaches get more complicated, they may become more difficult to explain and leading to lack of trust in their result specially in the medical field. In medical AI applications, eXplainable Artificial Intelligence (XAI) approaches are critical for ensuring that machine learning models are interpretable and trustworthy, which is critical for improving patient outcomes. In medical imaging, visualization methods such as heat maps are the best way to create interpretable and trustworthy representations of machine learning outputs, enabling the identification of regions of interest that could represent signs of sickness or abnormalities. This research examines and compares multiple Convolution Neural Network based (CNN-based) visual explanation approaches for creating accurate and trustworthy heat maps for medical image analysis, with the goal of improving the reliability and utility of medical AI. This thesis compares several XAI visualization approaches on the Kvasir endoscopy dataset with two classes and the HAM10000 skin cancer dataset with 7 classes. On the Kvasir dataset, an efficientnet-v2-s model is trained which achieved validation accuracy of 0.9, and several Activation Map (CAM) methods such as Gradient Activation Map (GradCAM), Gradient Activation Map ++ (GradCAMpp), techniques are used to create heatmaps. On the HAM10000 dataset, a VGG16 model is trained which achieved validation accuracy of 0.74 and using both the Layer-wise Relevance Propagation (LRP) and GradCAM approaches to create heatmaps. The Intersection Over Union (IOU) technique is used as an evaluation metric. This thesis tries to compare the visualization method and enhance the heatmaps and boost coverage of the regions of interest by combining the techniques. Three different methods, that is maximum voting, union, and intersection, are used to combine the heatmap images. The findings of the thesis indicate that the combination of GradCAM methods produces highly effective heatmaps that capture the most relevant features in medical images. This experiment is confirmed by the IOU method, with the combination of GradCAM++ and LayerCAM techniques generating the greatest results for HAM1000 dataset, for Kvasir dataset the method of GradCAM and XGradCAM have greatest results. Furthermore, the findings of thesis indicate that GradCAM techniques produce more accurate and trustworthy heatmaps than LRP, with important variables like the number of images, the disease type (in this thesis, data on polyps and skin cancer) and the model selection for training being crucial for achieving the best results.
Benzer Tezler
- Generalization of deep neural networks totransformations through novel andhybrid architectures
Derin sinir ağlarının yenı ve hibrit mimariler aracılığı ile transformlara genellemesi
BARIŞ ÖZCAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA FURKAN KIRAÇ
- Image quality enhancement and rain removal on images taken under different rain conditions
Başlık çevirisi yok
AHMED FRAIDOON ABDULKAREM
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
- İnsan gözünün optik koherans tomografi görüntüleri kullanılarak tıbbi tanı belirlemek için bir derin öğrenme yaklaşımı
A deep learning approach to determine medical diagnosis using optical coherence tomography images of the human eye
BATUHAN METİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHADIR KARASULU
- Metasezgisel algoritmalar ve derin öğrenme kullanılarak çok kaynaklı görüntü füzyonu
Multi-source image fusion using metaheuristic algorithms and deep learning
ASAN IHSAN ABAS ABAS
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURDAN BAYKAN
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU