Görsel dikkat tabanlı U-Net derin öğrenme modeli kullanılarak glokom için optik disk segmentasyonu
Segmentation of optic disk for glaucoma using attention U-Net deep learning model
- Tez No: 915237
- Danışmanlar: DOÇ. DR. ŞABAN ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Amasya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Teknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, glokom hastalığının erken teşhisini desteklemek ve teşhis sürecini hızlandırmak amacıyla derin öğrenme tekniklerini kullanarak optik disk segmentasyonunu ele almaktadır. Glokom, görme kaybına neden olabilen yaygın bir göz hastalığıdır ve erken teşhis edilmediğinde kalıcı hasarlara yol açabilir. Optik disk, glokom teşhisinde kritik bir yapıda olup optik sinir liflerinin çıkış noktasını içermektedir. Bu çalışmada, optik disk segmentasyonunu gerçekleştirmek için UNet mimarisini temel alarak özelleştirilmiş bir attention UNet modeli kullanmaktadır. Encoder kısmında, geleneksel UNet'e ek olarak Channel Attention ve Patch-Based Attention mekanizmaları entegre edilmiştir. Decoder kısmında ise Spatial Attention kullanılmıştır. Bu sayede, model görüntü içindeki önemli özelliklere daha hassas bir şekilde odaklanarak segmentasyon performansını artırması hedeflenmiştir. Bu özelleştirilmiş attention mekanizmaları, modelin daha belirgin özelliklerin vurgulanmasını ve daha doğru sonuçlar elde etmesini sağlar. Önerilen model, derin öğrenme ve görüntü işleme tekniklerini bir araya getirerek glokom teşhisinde yardımcı olabilecek doğru ve hızlı bir segmentasyon sağlamayı amaçlamaktadır. İlgili çalışmanın sonuçları, önerilen modelin yüksek doğruluk ve hassasiyet sağladığını göstermektedir. Mevcut yöntemlerle karşılaştırıldığında modelin glokom teşhis sürecini iyileştirebileceği ve klinik uygulamalarda kullanılabilir olduğunu bizlere göstermektedir. Bu tez, glokom hastalarının erken teşhis edilmesi ve tedavi edilmesi sürecine katkıda bulunarak görme kaybını önlemeye yönelik önemli bir adımı temsil etmektedir. Gelecekteki çalışmalar, modelin genişletilmesi ve farklı veri kaynaklarıyla test edilmesi üzerine odaklanabilir, böylece daha geniş bir hasta yelpazesinde uygulanabilirliği artırılabilir.
Özet (Çeviri)
This thesis addresses optic disk segmentation using deep learning techniques to support early diagnosis of glaucoma and accelerate the diagnostic process. Glaucoma is a common eye disease that can lead to vision loss and can cause permanent damage if not diagnosed early. The optic disk is a critical structure in glaucoma diagnosis as it contains the exit point of the optic nerve fibers. In this study, a customized attention UNet model is employed for optic disk segmentation, based on the UNet architecture. In the encoder part, in addition to the traditional UNet, Channel Attention and Patch-Based Attention mechanisms are integrated. Spatial Attention is used in the decoder part. This allows the model to focus more accurately on important features within the image, aiming to improve segmentation performance. These customized attention mechanisms enable the model to emphasize more prominent features and achieve more accurate results. The proposed model aims to provide accurate and fast segmentation to assist in glaucoma diagnosis by combining deep learning and image processing techniques. The results of the relevant study demonstrate that the proposed model achieves high accuracy and sensitivity. Compared to existing methods, the model's ability to improve the glaucoma diagnosis process and its potential for clinical applications are highlighted. This thesis represents an important step towards early diagnosis and treatment of glaucoma, aiming to prevent vision loss. Future studies could focus on expanding the model and testing it with different data sources to increase its applicability across a wider range of patients.
Benzer Tezler
- Uydu verileri temelli derin öğrenme ve açıklanabilir makine öğrenmesi teknikleri kullanılarak Sakarya ili fındık alanlarının mekansal dağılımının belirlenmesi
Determining the spatial distribution of hazelnut areas in Sakarya province using satellite data-based deep learning and explainable machine learning techniques
GAFUR SEMİ ŞENGÜL
Yüksek Lisans
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
PROF. DR. BEYZA USTAOĞLU
- Model-based aı accelerator design on FPGA with in-depth evaluation of design parameters
FPGA'de model tabanli yapay zeka hizlandirici tasarimi ve tasarim parametrelerinin derinliğine değerlendirilmesi
GÖZDE ÖZDİL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- A new monocular depth estimation model using hybrid architecture
Hibrit mimari kullanarak yeni bir monoküler derinlik tahmini modeli
HAMİDULLAH TÜRKMEN
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Renal hücreli karsinomun otomatik derece sınıflandırması için U-net tabanlı derin öğrenme ağı
U-net based deep learning network for automatic grade classification of renal cell carcinoma
SÜEDA KAYA
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI
- New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER