Unsupervised anomaly detection on brain fractional anisotropymaps by inpainting with denoising diffusion probabilistic models
Gürültü giderici difüzyon olasılık modelleri ile iç boyamayoluyla beyin fraksiyonel anizotropi haritalarındadenetimsiz anormallik tespiti
- Tez No: 841772
- Danışmanlar: DR. ÖĞR. ÜYESİ ANDAÇ HAMAMCI
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Anomali tespiti, çeşitli araştırma alanlarında kritik bir inceleme alanını oluşturmaktadır. Derin öğrenmedeki son gelişmeler, anormallik tespiti için sinir ağlarının uygulanmasını kolaylaştırmıştır. Ancak, veri toplama ve etiketleme işleminin yüksek maliyetleri ve zaman alıcı doğası, denetimsiz öğrenme tekniklerinin ortaya çıkmasına yol açmıştır. Denetimsiz öğrenme alanında, üreteci modeller, eğitim amaçları için çeşitli veri üretmeyi mümkün kılan bir önem kazanmıştır. Tıbbi görüntüleme bağlamında, özellikle beyin MR'ları, genellikle T1 ağırlıklı veya T2 ağırlıklı görüntüler kullanılarak 3D hacimlerin 2D kesitlerinde anormallikleri tespit etmek için üreteci modeller kullanılmıştır. Bu çalışma, DDPM kullanarak, girişte inpainting uygulayarak beyin Fraksiyonel Anizotropi (FA) haritalarının 3D kısmi hacimlerini üretmekte ve ardından iç boyama maskeleri ile tam 3D hacimleri oluşturmaktadır. Anormallikler, modelin giriş ve çıkış arasındaki farkı değerlendirerek tanımlanır. Üreteci modelin performansı, SSIM, PSNR, Maksimum Mutlak Fark ve Ortalama Yüzde Hata gibi ölçütler kullanılarak değerlendirilir. Anormallik tespit doğruluğu, IoU ve F1 skoru kullanılarak değerlendirilmiştir. Önerilen model, 0.05 IoU ve 0.095 F1 skoru elde etmiştir. Önerilen metod, önceki çalışmalarla karşılaştırılmış ve önceki çalışmaların %50 DICE skoru elde ettiği, çıkarsama esnasında uygulanan iç boyama metoduyla ise %39.01 DICE skoru elde ettiği gösterilmiştir.
Özet (Çeviri)
Anomaly detection constitutes a critical area of investigation across various research domains. Recent advancements in deep learning have facilitated the application of neural networks for anomaly detection. However, the high costs and time-intensive nature of data collection and annotation have driven the emergence of unsupervised learning techniques. Within the realm of unsupervised learning, generative models have gained prominence, enabling the generation of diverse data for training purposes. In the context of medical imaging, specifically brain MRIs, generative models have been utilized to detect anomalies in 2D slices of 3D volumes, typically employing structural modalities like T1-weighted or T2-weighted images. This study employs a generative Denoising Diffusion Probabilistic Model (DDPM ) to produce 3D partial volumes of brain Fractional Anisotropy (FA) maps by applying inpainting in inference, which are subsequently masked with inpainting masks to generate the full 3D volume. Anomalies are identified by assessing the disparity between the model's input and output. The performance of the generative model is evaluated using metrics such as Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), Maximum Absolute Difference, and Average Percentage Error. Anomaly detection accuracy is assessed using Intersection over Union (IoU) and F1 score. The proposed model achieved 0.05 IoU and 0.095 F1 score. The methodology also compared with prior work and it has been shown that while prior works achieved %50 DICE score, while inpainting in inference achieved %39.01 DICE score.
Benzer Tezler
- Derin öğrenme yöntemleri ile beyin MRI görüntülerinde anomali tespiti
Anomaly detection in brain MRI images with deep learning methods
EBRU AYDOĞAN DUMAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
DR. ÖĞR. ÜYESİ EMRAH ÇELTİKÇİ
- A hybrid deep learning framework for unsupervised anomaly detection in multivariate spatio-temporal data
Uzamsal-zamansal çok boyutlu verilerde denetimsiz anomali tespiti için hibrit derin öğrenme çerçevesi
YILDIZ KARADAYI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NAFİZ AYDIN
DR. ÖĞR. ÜYESİ ARİF SELÇUK ÖĞRENCİ
- An improved bidirectional generative adversarial networks based approach for anomaly detection
Anormallik tespitinde çift yönlü üretken çekişmeli ağlar yaklaşımının geliştirilmesi için bir yöntem
MUHAMMET OĞUZ KAPLAN
Yüksek Lisans
İngilizce
2020
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SADETTİN EMRE ALPTEKİN
- Unsupervised anomaly detection algorithms
Denetimsiz anomali tespit algoritmaları
BEYZA KIZILKAYA
Yüksek Lisans
İngilizce
2019
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN YILDIZTEPE
- Unsupervised anomaly detection via deep metric learning with end-to-end optimization
Derin metrik öğrenmesi ile baştan sona optimize edilebilen gözetimsiz anomali tespiti
SELİM FIRAT YILMAZ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT