A few-shot learning with self-knowledge distillation approach for medical image recognition
Tıbbi görüntü tanıma için kendinden bilgi damıtmı yaklaşımı ile birkaç atımda öğrenme
- Tez No: 941809
- Danışmanlar: PROF. DR. OĞUZHAN URHAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, tıbbi görüntü tanıma için az örnekli öğrenme (Few-Shot Learning - FSL) ve kendinden bilgi damıtımı (Self-Knowledge Distillation - SKD) tekniklerinin kullanılmasını ele almaktadır. ÇalıŞma, mevcut veri kümelerinden çok görevli bir tıbbi veri kümesi derlemeyi ve bu veri kümesi üzerinde ProtoNet ve LASTShot ile ProtoNet'i eğitmeyi kapsamaktadır. Bu veri kümesinde her görev, iki farklı sınıfı temsil eden az sayıda örnekten oluşmaktadır. Veri kümesinin oluşturulması sürecinde, çeşitli açık erişim tıbbi veri kümelerinden 3D CT görüntüleri toplanmış ve bu görüntülerden 2D dilimler çıkarılmıştır. Ayrıca, 3D CT hacimlerinden 2D eksenel dilimlerin çıkarılması ve bu dilimlerin pozitif veya negatif olarak etiketlenmesiyle veri kümesi sınıflandırma görevleri için uygun hale getirilmiştir. Bunun ardından, yaygın kullanılan FSL benchmark veri kümelerinde yöntemi degerlendirilmiştir. Elde edilen sonuçlar, önerilen yöntemin mevcut FSL yöntemleriyle karşılaştırıldığında üstün performans gösterdiğini ortaya koymuştur. Çalışmanın bir diğer önemli kısmı ise, derlenen veri kümesi kullanılarak yöntemin eğitilmesi ve değerlendirilmesidir. SKD tekniklerinin uygulanması, sınırlı veri ile daha etkili öğrenme sağlarken, genel doğruluk ve genelleme yeteneklerinde önemli iyileşmeler sunmuştur. SKD'nin uygulanması, sınırlı veri senaryolarında bile modelin performansını artırarak daha doğru ve genelleştirilebilir sonuçlar elde etmeyi sağlamıştır. Bu tez, az örnekli öğrenme uygulamaları için tıbbi görüntü tanıma modellerinin yeteneklerini ileriye taşımak adına önemli bir potansiyel taşımaktadır ve bu da tıbbi görüntü tanıma alanında yeni araştırma ve uygulama fırsatları yaratmaktadır.
Özet (Çeviri)
In this thesis, we addressed the use of Few-Shot Learning (FSL) and Self-Knowledge Distillation (SKD) techniques for medical image recognition. We curated a multi-task medical dataset from the publicly available medical datasets and used it to train and test the ProtoNet and ProtoNet with LASTShot methods. We extracted 2D slices from the 3D volumes in the original datasets while focusing on the images with Computed Tomography (CT) modality. For each task, the extracted images were classified as positive or negative, indicating if the task contains a specific organ or disease. Additionally, we proposed a new approach based on ProtoNet and SKD, and we validated it on the common FSL benchmark datasets. This approach surpassed the existing methods in many cases and scenarios. We also trained and tested this approach on our curated multi-task dataset. Combining ProtoNet with SKD techniques helped make the training more effective on limited data and improved the overall accuracy. In this thesis, we demonstrated the ability of few-shot learning methods to advance the medical image recognition domain when combined with other SOTA techniques. This work will help to pave the way for more research in the medical image recognition domain.
Benzer Tezler
- Robust and adaptive deep reinforcement learning
Gürbüz ve uyarlanabilir derin pekiştirmeli öğrenme
SUZAN ECE ADA
- Audio classification with few-shot learning
Birkaç örnekli öğrenme ile ses sınıflandırma
ENES FURKAN ÇİĞDEM
- Network attack classification with few-shot learning methods
Az atışlı öğrenme yöntemleri kullanarak ağ saldırı sınıflandırılması
İSMAİL TÜZÜN
Yüksek Lisans
İngilizce
2022
Orta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Zero/few-shot dark kinase-phosphosite association prediction with biologically grounded data augmentation
Biyolojik temelli veri artırımıyla sıfır/az örnekli karanlık kinaz–fosfosit ilişkisi tahmini
MERT PEKEY
Yüksek Lisans
İngilizce
2025
Sabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Unified local-global prompt learning for few-shot vision-language adaptation via optimal transport
Optimal taşıma aracılığıyla az örnekli görme-dil uyarlaması için birleşik yerel-global istem öğrenme
DENİZ KİZAROĞLU