MEDİKAL GÖRÜNTÜ ANALİZİ İÇİN ÖZ DENETİMLİ ÖĞRENME YÖNTEMLERİN GELİŞTİRİLMESİ
DEVELOPMENT OF SELF-SUPERVISED LEARNING METHODS FOR MEDICAL IMAGE ANALYSIS
- Tez No: 868318
- Danışmanlar: DOÇ. DR. ÖZKAN UFUK NALBANTOĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme (DL) tabanlı Bilgisayar destekli teşhis sistemleri medikal görüntü analizi için uzmanlara otomatik, etkili, hızlı ve doğru teşhisleri belirlemede yardımcı sistemler olarak ortaya çıkmıştır. Ancak, DL yöntemleri çok sayıda parametreyi öğrenmek için büyük miktarda veriye ihtiyaç duymaktadır. Bu açıdan DL ile yapılan medikal görüntüleme çalışmalarında sıkça karşılaşılan iki ana sorun; etiketli veri eksikliği ve etiketler veya sınıflar arasındaki dengesiz veri dağılımlarıdır. Sınırlı etiketli veri setleri derin ağlarda aşırı uyum (ezberleme) problemine yol açarken, pozitif-negatif örnekler arasındaki dengesiz dağılım ise yanlı modellere yol açmaktadır. Bu nedenle, derin öğrenme modellerinin yetersiz veriye sahip medikal görüntüleme problemlerinde yüksek performans üretmesi zorlu bir problemdir. Yapılan öncü çalışmalar ile Öz Denetimli Öğrenme (SSL) yöntemleri, bahane görev ve asıl görev mekanizması sayesinde gösterdiği başarılı sonuçlar ile veri kısıtlarının üstesinden gelmek için büyük bir potansiyel olarak ortaya çıkmıştır. Bu tez ile çeşitli medikal görüntü analizi görevlerinde uzman denetimini azaltmak ve uzman seviyesinde tanı koymak için iki adımdan oluşan SSL modelleri geliştirilmiştir. Geliştirilen SSL modelleri hem erişime açık veri setleri hem de klinik uygulama üzerinde değerlendirilmiştir. Sonuç olarak, bu tez çalışmasında medikal görüntü analizi görevleri için geliştirilen SSL modelleri yüksek başarıya sahip, daha az hesaplama karmaşıklığı ile daha hızlı, veri açısından verimli, etkili, birçok görüntülüme tekniğine uygulanabilirliği ile genelleme yeteneği yüksek, sağlam ve uzman seviyesinde tanı koyarak klinik uygulamalar için umut verici bir yöntem sunmaktadır.
Özet (Çeviri)
Deep learning (DL)-based computer-aided systems have emerged as systems that assist experts in determining automatic, effective, fast and accurate diagnoses for medical image analysis. However, DL methods require large amounts of data to learn a large number of parameters. From this perspective, two main problems frequently encountered in medical imaging studies performed with DL; lack of labeled data and unbalanced data distributions between labels or classes. While limited labeled data sets cause overfitting problems in deep networks, the unbalanced distribution between positive and negative examples leads to biased models. Therefore, it is a challenging problem for deep learning models to produce high performance in medical imaging problems on insufficient data. With pioneering studies carried out, Self-Supervised Learning (SSL) methods have emerged as a great potential to overcome data constraints, with successful results thanks to the pretext task and downstream task mechanism. With this PhD thesis, SSL models have been developed into two steps to reduce expert supervision and make expert-level diagnosis in various medical image analysis tasks. The developed SSL models were evaluated on both open-access data sets and clinical practice. As a result, the proposed SSL models for various medical image analysis tasks have demonstrated remarkable success, offering faster computation with reduced complexity of model, efficiency in data usage, effectiveness, high generalization across various imaging techniques, robustness, and potential for clinical application by providing an expert-level diagnosis.
Benzer Tezler
- Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks
Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi
FURKAN ÖZÇELİK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Detection of human vital signs through obstructive barriers using UWB GPR
Engel arkası hayati bulguların geniş bantlı yere nüfus eden radar ile tespiti
CANSU BÜYÜKHAN
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA İNCİ ÇİLESİZ
YRD. DOÇ. DR. SAEID KARAMZADEH
- Serebrovasküler hastalıkların teşhisi için yapay zeka tabanlı karar destek sistemi
Artificial intelligence based decision support system for diagnosis of cerebrovascular disease
FURKAN KUTAN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞURHAN KUTBAY
- Markov ve Gibbs rastlantı alan modelleri ile doku sentezleme ve sınıflandırma
Texture synthesis and classification using Markov and Gibbs random field models
ERDOĞAN CAMCIOĞLU
Yüksek Lisans
Türkçe
1990
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. ERDAL PANAYIRCI
- System parameter adaptation based on image metrics for automatic target detection
Görüntü ölçütleri kullanımı ile otomatik hedef tesbit sistemleri için parametre adaptasyonu
KENAN KÜREKLİ
Yüksek Lisans
İngilizce
2004
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖZDE BOZDAĞI AKAR