Geri Dön

Değiştirilmiş U-Net modeli ile biyomedikal görüntü segmentasyonu

Biomedical image segmentation with modified U-Net

  1. Tez No: 850779
  2. Yazar: UMUT TATLİ
  3. Danışmanlar: DOÇ. DR. CAFER BUDAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Biyomedikal görüntü segmentasyonu, derin öğrenme, U-Net, U-Net, image segmentation, deep learning, biomedical image
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Görüntü segmentasyonu, görüntü işleme ve bilgisayarlı görmede önemli bir alandır. Görüntü segmentasyonu alanında derin öğrenme yöntemlerinin kullanılması ise özellikle Biyomedikal ve tıbbi alanlardaki uzmanlara yardımcı olacak yöntemlerin geliştirilmesinde, var olan yöntemlerdeki zamandan ve maliyetten tasarruf sağlama konusunda hayati bir rol oynar. Derin öğrenmeyi kullanan görüntü segmentasyonu modelleri arasında yer alan önemli yöntemlerden biri U-Net modelidir. U-Net modeli birçok çalışmaya ilham kaynağı olmuş ve evrişimsel sinir ağlarının gelişmesinde faydalı bir model olmuştur. Zaman içerisinde U-Net modelinde farklılıklar oluşturularak U-Net modelinden daha başarılı yöntemler geliştirilmiştir. Bu çalışmada 11 evrişimli katman kullanan ve segmentasyon performansını artırmak için bazı değişiklikler getiren yeni bir U-Net varyantı olan U-Net11'i öneriyoruz. Klasik U-Net modeli geliştirilmiş ve üç farklı veri kümesi üzerinde test edilerek klasik U-Net modelinden daha iyi performans göstermiştir. Önerilen yöntem: Hücre dokularından elde edilen meme kanserli hücre segmentasyonu, bilgisayarlı tomografi görüntülerinden elde edilen akciğer segmentasyonu ve Data Science Bowl 2018 yarışmasından elde edilen hücre çekirdeği segmentasyonu veri kümeleri için değerlendirilmiştir. Bu veri kümeleri, değişen görüntü miktarları ve segmentasyon görevlerindeki değişen zorluk seviyeleri nedeniyle önem içermektedir. Katman farkını gözlemleyebilmek için Klasik U-Net'e katman ekleme-çıkarma işlemi yapılarak U-Net-7, U-Net-13 modelleri geliştirilmiş ve önerilen model ile olan farkı kıyaslanmıştır. Değiştirilmiş U-Net modeli: Hücre dokularından elde edilen meme kanserli hücre segmentasyonu veri kümesinde %69,09, bilgisayarlı tomografi görüntülerinden elde edilen akciğer segmentasyonu veri kümesinde %95,02 ve doku görüntüsünden hücre çekirdeği segmentasyonu veri kümesinde %81,10 DSC puanları elde ederek klasik U-Net modelinden sırasıyla %5, %2 ve %4 oranında daha yüksek bir başarı göstermiştir. Başarı oranlarındaki bu fark özellikle biyomedikal mühendisliği ve tıp alanlarındaki kritik segmentasyon veri kümeleri için büyük öneme sahiptir ve model geliştirilerek daha başarılı sonuçlar elde ederek bu alanlarda büyük tasarruflar sağlayabilir.

Özet (Çeviri)

Image segmentation has a very significant place in image processing and machine vision. Exclusively, it plays a vital role to improvement of models to help specialist in biomedical and medical areas, saving time and cost in existing methods. Among the most significant image segmentation models utilize deep learning at U-Net model. U-Net model has motivated numerous studies and has been a useful model in development of convolutional neural networks. Scope of the report, we suggest a new version of U-Net, U-Net 11, which utilizes 11 convolutional layers and assert a few modifies to ameliorate to segmentation accuracy. The standard U-Net method was ameliorated and checked on three types of datasets and outperformed the standard U-Net model. U-Net 11 model: Breast tumor cell segmentation from cell tissues, lung tumor segmentation from CT scan figures and cell nucleus segmentation at the Data Science Bowl 2018 rivalry. Abovementioned datasets are significant owing to their alteration quantity of images and changing levels of challenges in segmentation tasks. On the purpose of observe the layer variation, U-Net 13 and U-Net 7 models are generated by adding and removing layers to standard U-Net and compared with the suggested method. A modified U-Net model: 69.09%, 95.02%, and 81.10% DSC accuracy on the breast cancer cell segmentation dataset derived from cell tissues, lung segmentation dataset obtained from computed tomography images, and cell nucleus segmentation dataset obtained from tissue images, which are respectively 5%, 2%, and 4% higher besides standard U-Net model. This variation in accuracy rates is especially important for critical segmentation datasets in biomedical engineering and medicine, and model can be improved to achieve more successful results, leading to significant savings in these fields.

Benzer Tezler

  1. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Evrişimsel sinir ağı kullanılarak göğüs radyografilerinde yüksek başarımlı bölütleme yapılması ve pnömoni tespitine etkisinin incelenmesi

    High performance segmentation in chest radiographs using convolutional neural network and investigation of its effect on pneumonia detection

    İLHAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGümüşhane Üniversitesi

    Yapay Zeka ve Akıllı Sistemler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZKAN BİNGÖL

  3. Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images

    Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları

    BEYTULLAH SARICA

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  4. Deep learning based segmentation pipeline for label-free phase-contrast microscopy images

    Etiketsiz faz-kontrast mikroskopi görüntüleri için derin öğrenme tabanlı segmentasyon boru hattı

    AYDIN AYANZADEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

    DOÇ. DR. DEVRİM ÜNAY