Geri Dön

Otomatik avuç içi bölütlenmesinin gerçekleştirilmesinde farklı derin öğrenme modellerinin performanslarının incelenmesi

Investigation of the performances of different deep learning models in the implementation of automatic palm print segmentation

PDF İndir

  1. Tez No: 922673
  2. Yazar: KADİR YALÇIN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ RAMAZAN ÖZGÜR DOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Anlamsal bölütleme, Görüntü bölütleme, Görüntü işleme-bilgisayarlı, Görüntü tanıma, Sayısal görüntü işleme, Tıbbi görüntüleme, Yapay zeka, Yapay zeka ve makine öğrenmesi dersi, Örüntü tanıma, İnsan-bilgisayar etkileşimi, Semantic segmentation, Image segmentation, Image processing-computer assisted, Image recognition, Digital image processing, Medical imaging, Artificial intelligence, Artificial intelligence and machine learning course, Pattern recognition, Human-computer interaction
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gümüşhane Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka ve Akıllı Sistemler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tıbbi görüntüleme teknolojilerindeki ilerlemeler, özellikle derin öğrenme tabanlı yöntemlerin kullanımıyla, el bölütleme gibi spesifik görevlerde dikkat çekici başarılar elde etmiştir. El bölütleme, biyometrik doğrulama sistemlerinde kimlik tespiti için kritik bir öneme sahiptir. Avuç içi damar yapıları, parmak uzunlukları ve deri dokusu gibi benzersiz biyometrik özelliklerin doğru bir şekilde çıkarılması, el bölütleme algoritmalarının doğruluğuna bağlıdır. Bu tez çalışmasında, el bölütleme probleminin çözümü için oto kodlayıcı tabanlı U-Net, MA-Net, FPN ve PSP-Net modelleri, Vision Transformer, EfficientNet-B5 ve ResNet-34 omurgaları ile değerlendirilmiştir. Modeller, Doğruluk (ACC), Intersection over Union (IoU), Dice katsayısı ve F1 skor gibi metriklerle analiz edilmiştir. Sonuçlar, Vision Transformer ile entegre edilen U-Net modelinin bölütleme de en yüksek başarı sağladığını göstermiştir (IoU: 0.8917, Dice: 0.9892). MA-Net, ResNet-34 omurgasıyla kullanıldığında en yüksek doğruluk değerine (0.9921) ulaşmıştır. Ayrıca bu kombinasyon, en yüksek F1 skorunu (0.9584) da elde etmiştir. EfficientNet-B5, MA-Net ve FPN ile etkili sonuçlar sunmuştur. Çalışmanın sonuçları, derin öğrenme modelleriyle elde edilen bölütleme başarısının biyometrik doğrulama sistemlerinin güvenilirliğini artırabileceğini ortaya koymaktadır. Özellikle U-Net - Vision Transformer ve MA-Net – ResNet-34 kombinasyonları, elin bölütlenmesinde yüksek performans göstermiştir. Bu bulgular, el bölütleme uygulamalarında model ve omurga seçimlerinin kritik olduğunu vurgulamaktadır.

Özet (Çeviri)

Advances in medical imaging technologies, particularly with the use of deep learning based methods, have achieved remarkable success in specific tasks such as hand segmentation. Hand segmentation is of critical importance for identification in biometric verification systems. Accurate identification of unique biometric features such as palm vein structures, finger lengths and skin texture depends on the accuracy of hand segmentation algorithms. In this study, autoencoder based U-Net, MA-Net, FPN and PSP-Net models have been evaluated with Vision Transformer, EfficientNet-B5 and ResNet-34 backbones for solving the hand segmentation problem. The models were analyzed with metrics such as Accuracy (ACC), Intersection over Union (IoU), Dice coefficient and F1 score. The results showed that the U-Net model integrated with Vision Transformer provided the highest success in segmentation (IoU: 0.8917, Dice: 0.9892). MA-Net achieved the highest accuracy value (0.9921) when used with ResNet-34 backbone. In addition, this combination achieved the highest F1 score (0.9584). EfficientNet-B5 provided effective results with MA-Net and FPN. The results of the study revealed that the segmentation success obtained with deep learning models could increase the reliability of biometric verification systems. In particular, U-Net - Vision Transformer and MA-Net – ResNet-34 combinations showed high performance in hand segmentation. The findings emphasize that model and backbone selections are critical in hand segmentation applications.

Geri Dön