Geri Dön

Kablosuz kapsül endoskopi görüntülerinin sınıflandırılması için derin öğrenme modellerinin optimize edilmesi

On optimizing deep learning model performance for wireless capsule endoscopy image classification

  1. Tez No: 895933
  2. Yazar: MOHAMED ALSHAIKH
  3. Danışmanlar: DOÇ. DR. MUZAFFER KANAAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 120

Özet

Kablosuz Kapsül Endoskopi (KKE), gastrointestinal (GI) sistemin görüntülenmesi için invaziv olmayan ve hasta dostu bir yöntem sunarak, çeşitli GI bozukluklarının teşhisinde önemli ilerlemeler sağlamıştır. Faydalarına rağmen, KKE tarafından üretilen büyük miktardaki görüntü verisi klinisyenler için zorluklar yaratmakta ve etkili görüntü analiz araçlarını gerekli kılmaktadır. Bu çalışma kapsamında, Kvasir veri seti kullanılarak KKE görüntülerinin sınıflandırılması için derin öğrenme modellerinin (deep learning models), özellikle EfficientNet'in optimizasyonu araştırılmıştır. Araştırma, model doğruluğu, karmaşıklığı ve tahmin gecikme süresi arasında denge kurma ve KKE görüntülerinin farklı sınıfları arasında tutarlı performans sağlama gibi temel zorlukları ele almaktadır. Söz konusu çalışma, normalizasyon, veri artırımı (data augmentation) ve hiper-parametre ayarlamanın etkisini inceleyerek, kaynak kısıtlı ortamlarda yüksek doğruluk ve verimliliği koruyan modeller geliştirmeyi amaçlamaktadır. Elde edilen sonuçlar, hiper-parametre ayarlama ve veri artırımı sonrasında EfficientNet B0 modelinin %94,83 gibi yüksek bir doğruluk elde ettiğini, iki veya daha fazla modelin sonuçlarını birleştirerek elde edilen topluluk yöntemlerinin (ensemble methods) ise doğruluğu %95,75'e kadar artırdığını göstermektedir. Bu bulgular, optimize edilmiş EfficientNet modellerinin gerçek zamanlı KKE görüntü sınıflandırması için potansiyelini vurgulamakta, kaynak kısıtlı klinik ortamlarda teşhis doğruluğunu ve hasta bakımını iyileştirmektedir. Temel katkılar arasında EfficientNet modelleri için kapsamlı bir değerlendirme çerçevesi, model karmaşıklığı ve performans arasındaki ayrıntılı denge analizi, veri artırımı ve normalizasyonun etkisi ve model performansını optimize etmek için kritik hiper-parametrelerin belirlenmesi yer almaktadır. Bu katkılar, gastroenterolojide daha verimli ve doğru gerçek zamanlı tanı araçlarının önünü açmakta ve KKE tabanlı teşhislerde Klinik Karar Destek (KKD) sistemlerinin yeteneklerini geliştirmektedir.

Özet (Çeviri)

Wireless Capsule Endoscopy (WCE) offers a non-invasive and patient-friendly method for visualizing the gastrointestinal (GI) tract, significantly advancing the diagnosis of various GI disorders. Despite its benefits, the vast amount of image data generated by WCE presents challenges for clinicians, necessitating effective image analysis tools. This study investigates the optimization of deep learning models, particularly EfficientNet, for WCE image classification using the Kvasir dataset. The research addresses key challenges such as balancing model accuracy, complexity, and prediction latency, as well as ensuring consistent performance across different classes of WCE images. By exploring the impact of normalization, data augmentation, and hyper-parameter tuning, the study aims to develop models that maintain high accuracy and efficiency in resource-constrained environments. Our results indicate that EfficientNet B0 achieves a high accuracy of 94.83% after hyperparameter tuning and data augmentation, and with ensemble methods (i.e., those that incorporate the results of two or more models) further improving accuracy to 95.75%. These findings highlight the potential of optimized EfficientNet models for real-time WCE image classification, improving diagnostic accuracy and patient care in resource-limited clinical environments. Key contributions include a comprehensive evaluation framework for EfficientNet models, detailed trade-off analysis between model complexity and performance, insights into the impact of data augmentation and normalization, and identification of critical hyper-parameters for optimizing model performance. These contributions pave the way for more efficient and accurate real-time diagnostic tools in gastroenterology, enhancing the capabilities of Clinical Decision Support (CDS) systems in WCE-based diagnostics.

Benzer Tezler

  1. Multi - capsule endoscopy: Demonstrations of inter - capsular control and (tactile) sensing

    Çoklu - kapsül endoskopi: Kapsüller arası kontrol ve (dokunsal) algılama yöntemleri

    FURKAN PEKER

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ONUR FERHANOĞLU

  2. Robotik Kapsül Endoskopide Lokalizasyon Tekniklerinin İyileştirilmesi

    Improvement of localization techniques in robotic capsule endoscopy

    MEMDUH SUVEREN

    Doktora

    Türkçe

    Türkçe

    2022

    Mekatronik MühendisliğiErciyes Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUZAFFER KANAAN

  3. Endosensorfusion: Particle filtering-based multi-sensory data fusion with switching state-space model for endoscopic capsule robots using recurrent neural network kinematics

    Kapsül endoskopi robotları için değişen durum-uzay modeli ile yinelenen yapay sinir ağları kullanarak parçacık filtreleme temelli çoklu duyarga verisi ilişkilendirmesi

    YASİN ALMALIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ TAYLAN CEMGİL

  4. In-body antenna design for capsule endoscopy applications

    Kapsül endoskopi uygulamaları için vücut içi anten tasarımı

    EMRE GÜREŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZGÜR ÖZDEMİR

  5. Kapsül endoskopi sistemlerinde manyetik lokalizasyon tekniğinin cramer –rao alt siniri ile performans analizi

    Performance analysis of magnetic localization technique with cramer –rao lower bound in capsul endoscopy systems

    MUHAMMED ÇİL

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Mühendislik BilimleriErciyes Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUZAFFER KANAAN