Self-supervised learning for non-alcoholic fatty liver disease diagnosis using ultrasound imaging
Ultrason görüntüleme ile alkolik olmayan yağlı karaciğer hastalığı teşhisinde öz-denetimli öğrenme
- Tez No: 934257
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDÜL KADİR GÖRÜR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 114
Özet
Arka Plan: Alkolik olmayan yağlı karaciğer hastalığı, karaciğerle ilişkili morbiditenin önde gelen nedenlerinden biridir ve erken teşhis edilip tedavi edilmemesi durumunda karaciğer fibrozisi, siroz ve karaciğer kanseri gibi ciddi karaciğer hasarlarına ilerleyebilir. Ultrason görüntüleme, teşhis için yaygın olarak kullanılan girişimsel olmayan bir tanı aracıdır. Ancak, görüntüleme cihazlarındaki farklılıklar ve etiketlenmiş veri setlerinin yetersizliği, otomatik teşhis için genelleştirilebilir makine öğrenimi modellerinin geliştirilmesini zorlaştırmaktadır. Amaç: Bu tez, etiketli verilere olan bağımlılığı en aza indirirken tanısal doğruluğu artırmak amacıyla, Öz-Denetimli Öğrenme (Self-Supervised Learning, SSL) yöntemlerinden özellikle Bootstrap Your Own Latent (BYOL) ve Simple Contrastive Learning of Visual Representations (SimCLR) yöntemlerinin kullanımını araştırmayı amaçlamaktadır. Bu sayede radyologların görüntüleri etiketlemek için harcadığı zaman ve maliyet düşürülebilecektir. Yöntemler: BYOL ve SimCLR, etiketlenmemiş görüntülerden iyi kaliteli görüntü temsilleri öğrenmek için kullanılmıştır. Model boyutunun sınıflandırma performansına etkisini ölçmek için ResNet-50 ve ResNet-101 mimarilerkullanılmıştır. Ayrıca, varsayılan ve uyarlanmış veri artırma (augmentation) yöntemleri, dengeli ve dengesiz sınıf dağılımı protokolleri ve farklı mini yığın (batch) boyutları ile birlikte, değişen yüzdelerde etiketli veriler kullanılarak hem doğrusal (linear) hem de hassas ayar (fine-tuning) değerlendirmeleri gerçekleştirilmiştir. Bulgular: BYOL ve ResNet-50 kullanılarak önerilen özel veri artırma yöntemi ve dengeli sınıf dağılımı protokolü ile en yüksek doğruluk elde edilmiştir. Üç farklı rastgele alt küme üzerinde yapılan doğrusal değerlendirme sonucunda, etiketlerin sırasıyla %100, %10 ve %1'i kullanıldığında ortalama doğruluk oranları %91.71, %90.91 ve %86.64 olarak elde edilmiştir. Bu, etiketlerin küçük bir kısmı ile eğitilen denetimli öğrenme modeline kıyasla istatistiksel olarak anlamlı bir farktır (P < 0.05). Ayrıca, %10 ve %1 etiket kullanıldığında, denetimli öğrenme modeline kıyasla %10.47 ve %16.47 daha yüksek doğruluk sağlanmıştır. Bunun yanı sıra, biri-dışarıda çapraz doğrulama yöntemi kullanıldığında, tam etiketli veri ile BYOL modeli ortalama %97.81 doğruluk ve 0.971 AUC değerlerine ulaşmıştır. Çalışmanın önemli bir bulgusu, önerilen özel veri artırma yönteminin performansı önemli ölçüde artırmasıdır; test edilen tüm yöntemler arasında en yüksek doğruluk ve AUC değerleri bu yöntemle elde edilmiştir. Ayrıca, BYOL'un sınıf dengesizliğinin üstesinden gelme konusunda SimCLR'den daha başarılı olduğu gözlemlenmiştir. Sonuç: Özel veri artırma yöntemiyle kullanılan BYOL, etiketlere bağımlı olmadan yüksek kaliteli görüntü temsilleri öğrenebilir. Bu durum, özellikle sınırlı anotasyona sahip veri setleri için, tıbbi görüntüleme uygulamalarında öz-denetimli öğrenmenin potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Background: Non-alcoholic fatty liver disease is one of the leading causes of liver-related morbidity that can progress to severe liver damage such as liver fibrosis, cirrhosis, and liver cancer if not diagnosed and treated early. Ultrasound imaging is a non-invasive diagnostic tool that is commonly used for diagnosis. However, differences in imaging devices and the lack of labeled datasets hinder the development of generalizable machine-learning models for automated diagnosis. Objective: This thesis aims to investigate the use of Self-Supervised Learning (SSL) methods, specifically Bootstrap Your Own Latent (BYOL) and Simple Contrastive Learning of Visual Representations (SimCLR), to improve diagnostic accuracy while minimizing reliance on labeled data. Thus, reducing the time and cost required by radiologists to annotate the images. Methods: BYOL and SimCLR have been employed to learn good image representations from unlabeled images, utilizing ResNet-50 and ResNet-101 architectures to evaluate the impact of model size on classification performance. In addition, default and custom augmentation with balanced and imbalanced class distribution protocols with different batch sizes have been tested using both linear and fine-tuning evaluation with varying percentages of labeled data. Results: BYOL with ResNet-50 achieved the highest accuracy, utilizing the proposed custom augmentation set and balanced class distribution protocol, average accuracies of 91.71, 90.91, and 86.64 were achieved using 100%, 10%, and 1% of the labels with linear evaluation, respectively over three shuffled subsets. This is a statistically significant difference (P < 0.05) compared to its supervised learning counterpart with a small portion of labels. It is higher than its supervised learning counterpart by 10.47 and 16.47 using 10% and 1% of the labels, respectively. Moreover, using leave-one-out cross-validation, the same method achieved average accuracy and AUC of 97.81 and 0.971, respectively, with full label utilization. A key finding of this research is that the proposed custom augmentation set significantly improved performance, achieving the highest accuracy and AUC among all methods tested. Furthermore, BYOL shows a higher ability to handle class imbalance than SimCLR. Conclusion: BYOL, with the custom augmentation, can learn high-quality image representation without relying on labels, highlighting the potential of self-supervised learning in medical imaging applications, particularly for datasets with limited annotations.
Benzer Tezler
- Flaw detection in aluminium castings leveraging synthetic data for non-destructive testing
Tahribatsız muayene için sentetik veriler kullanılarak alüminyum döküm kusurlarının tespit edilmesi
UMUT CAN ERKAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiModelleme ve Simülasyon Ana Bilim Dalı
DOÇ. DR. ELİF SÜRER
PROF. DR. ULAŞ YAMAN
- Self-supervised prediction contrast time frequency for industrial fault detection
Endüstriyel hata tespiti için özdenetimli tahmin karşıtlığı zaman-frekans yöntemi
HAMZA GÖRGÜLÜ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZNUR ÖZKASAP
- Vision transformer-based physics informed CFD prediction of axial fans with self-supervised contrastive learning for enhanced geometric sensitivity
Eksenel fanlarda geometrik farklılıkların yakalanmasına yönelik kontrastif öğrenme destekli, fizik bilinçli vısıon transformer tabanlı CFD tahmini
MEHMET FATİH REYHAN
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ZAFER
- Grounding language in motor space: Exploring robot action learning and control from proprioception
Dil öğrenimini robot motor alanında temellendirme: Propriyosepsiyondan robot eylem öğrenimi ve kontrolünü keşfetmek
EMRE CAN ACİKGOZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ YURET
DOÇ. DR. MEHMET ERKUT ERDEM
DR. ÖĞR. ÜYESİ BARIŞ AKGÜN
- Computer aided detection of cancer using histopathology images
Histopatoloji görüntülerinden bilgisayar destekli kanser tespiti
SENA BÜŞRA YENGEÇ TAŞDEMİR
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
DOÇ. DR. ZAFER AYDIN