Tree-net: Bottleneck feature supervised network for biomedical image segmentation
Tree-net: biyomedikal görüntü segmentasyonu için tree-net: Biyomedikal görüntü segmentasyonu için tree-net: Darboğaz özellik süpervizyonu kullanılan yapay sinir ağı modeli
- Tez No: 891713
- Danışmanlar: PROF. DR. BÜLENT YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bioengineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Abdullah Gül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, tıbbi görüntü segmentasyonu için yeni bir yaklaşım olan Tree-NET tanıtılmaktadır. Bu yöntem, geleneksel kodlayıcı-çözücü mimarilerini, ağ içerisindeki ara özellik temsillerine veya dar boğazlara gözetim ekleyerek geliştirir. Ana hedef, modelin ayırt edici ve sağlam özellikler öğrenme yeteneğini artırırken aynı zamanda hesaplama maliyetlerini ve eğitim süresini azaltmaktır. Dar boğaz özellik gözetimi, girdileri ve etiket verilerini Otomatik Kodlayıcılar kullanarak sıkıştırır ve ardından“Bridge-Net”olarak adlandırılan bir segmentasyon ağı ile dar boğaz özelliklerini denetler, bu ağ temelde herhangi bir segmentasyon modeli olabilir. Bu yaklaşım, daha az hesaplama kaynağı tüketimi, daha yüksek doğruluk sonuçları sağlarken, neredeyse aynı toplam eğitilebilir parametre sayısını korur. Tree-NET'i iki kritik tıbbi görüntü segmentasyonu görevi olan cilt lezyon segmentasyonu ve polip segmentasyonuna uyguladık. Deneylerimiz, segmentasyon doğruluğunda ve verimliliğinde önemli iyileşmeler göstermektedir. Örneğin, U-NET tabanlı Tree-NET, modeli çalıştırmak ve depolamak için yalnızca 154.43 MB kullanır, bu da orijinal U-NET mimarisinden neredeyse 3.5 kat daha küçüktür. Cilt lezyon segmentasyonunda, Tree-NET sırasıyla 0.8938, 0.7518 ve 0.9776 dice, IoU ve doğruluk seviyelerine ulaşmıştır. Polip segmentasyonunda ise, dice, Intersection-over-Union (IoU) ve doğruluk için sırasıyla 0.8564, 0.7956 ve 0.9236 puanlarına ulaşmıştır. Geleneksel segmentasyon modelleriyle karşılaştırıldığında, ampirik sonuçlar Tree-NET'in daha yüksek doğruluk, daha düşük eğitim süresi ve hesaplama maliyeti ile daha yüksek performans gösterdiğini, bu nedenle tıbbi görüntü analizinde önemli bir ilerlemeyi temsil ettiğini ve klinik uygulamalar için daha güvenilir ve verimli araçlar sağladığını göstermektedir.
Özet (Çeviri)
In this thesis, we introduce Tree-NET, a novel approach for medical image segmentation utilizing bottleneck feature supervision. This method enhances traditional segmentation algorithms by keeping supervision between bottleneck features of the network. The primary goal is to improve the model's ability to learn discriminative and robust features while simultaneously reducing computational costs. Bottleneck feature supervision involves compressing the input and label data using Autoencoders and then supervising the bottleneck features with a segmentation network named“Bridge-Net,”which can be any segmentation model of choice. We applied Tree-NET to two critical medical image segmentation tasks: skin lesion segmentation and polyp segmentation. Our experiments demonstrate significant improvements in segmentation accuracy and efficiency. For instance, the U-NET backboned Tree-NET uses only 154.43 MB for executing and storing the model, which is almost 3.5 times smaller than the original U-Net while having a close number of trainable parameters. In skin lesion segmentation, Tree-NET achieved dice, Intersection-over-Union (IoU), and accuracy scores of 0.893, 0.751, and 0.977 respectively. For polyp segmentation, the scores were 0.856, 0.795, and 0.923 for dice, IoU, and accuracy respectively. Compared to traditional segmentation models, the empirical results show that Tree-NET achieves higher accuracy with reduced training time and computational cost, thus representing a significant advancement in medical image analysis by providing more reliable and efficient tools for clinical applications.
Benzer Tezler
- Development of multi-level petri net based design inference network
Çok katmanlı petri net tabanlı tasarım-çıkarım ağı geliştirilmesi
MELTEM KORKMAZEL
Yüksek Lisans
İngilizce
2001
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜLKADİR ERDEN
- Inferring phylogenetical tree by using hierarchical self organizing maps
Hiyerarşik kendi kendine öğrenen sinir ağlarıyla filogenetik ağaç yapısının oluşturulması
HAYRETDİN BAHŞİ
Yüksek Lisans
İngilizce
2002
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ATİLLA GÜRSOY
YRD. DOÇ. DR. RENGÜL ÇETİN ATALAY
- Finansal bilgi manipülasyonunun denetimli makina öğrenmesi yöntemleri kullanılarak tahmin edilmesi: Destek vektör makinesi, olasılıksal sinir ağı, k-en yakın komşu ve karar ağacı kullanımı
Detecting financial information manipulation by using supervised machine learning technics: Support vector machine, probabilistic neural network, k-nearest neighbor, decision tree
OSMAN MUSA AYDIN
Yüksek Lisans
Türkçe
2019
MaliyeTobb Ekonomi ve Teknoloji Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. RAMAZAN AKTAŞ
- Haberleşme sistemlerinde sayısal kiplenim yöntemlerinin otomatik sınıflandırılması
Automatic classification of digital modulation methods in communication systems
ZAFER ÇOBAN
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CENK TOKER
- Veri madenciliği yöntemleri ve bir uygulama
Data mining methods and an application
MEHMET KIVRAK
Yüksek Lisans
Türkçe
2010
BiyoistatistikYüzüncü Yıl ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. SIDDIK KESKİN