Deep learning ensembles in lumbar spine mrı dıagnosis
Bel omurgasi mrg teşhisinde derin öğrenme topluluklari
- Tez No: 943120
- Danışmanlar: PROF. DR. ULUS ÇEVİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Segmentasyon, Sınıflandırma, Topluluk modeli, Lumbal Omurga, Bel Ağrısı
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği ve Enformatik Bilimler Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
ArkaPlan: Lumbar omurga anatomisinin segmentasyonu, oldukça zaman alan ve özel beceriler gerektiren zorlu bir görev olabilir. Bu süreç, lumbar bölgesindeki segmentlenmiş parçaların sınıflandırılarak discin normal mi yoksa anormal mi olduğunun belirlenmesini içerir. Yöntem: Bu çalışmada, beş farklı UNet model varyantını (Unet, ResUnet, SegUnet, VGG16UNet ve VGG19Unet) içeren bir CNN topluluk (ensemble) yöntemi öneriyoruz ve bu yöntemi segmentasyon için TransUNet ile karşılaştırıyoruz. Yöntem, çıkarılan maskeleri karşılık gelen temel görüntülerle eşleştiren görüntü bindirme (image overlay) tekniğini kullanmaktadır. Ardından bu maskeler, topluluk modelleri için temel olarak önceden eğitilmiş ResNet101 mimarisi kullanılarak sınıflandırılmakta ve disclerin normal ya da anormal olup olmadığı belirlenmektedir. Ayrıca bu sonuçlar, önceden eğitilmiş Vision Transformer ile de karşılaştırılmıştır. Son olarak, CNN-Transformer topluluğumuz CNN topluluk yöntemleri ile karşılaştırılmıştır. Bu çalışmada iki veri seti kullanılmış olsa da, ana veri seti 515 hastadan alınan 1525 kesitten oluşmaktadır. Sonuçlar: Önerilen topluluk yöntemi, segmentasyon görevinde 0.9988'lik Intersection over Union (IoU) ve 0.9870'lik Dice Katsayısı elde ederek TransUNet modelinden daha iyi performans göstermiştir. Ancak, sınıflandırma görevinde Vision Transformer daha yüksek başarı sağlamış; anormal ve normal tahminler için sırasıyla 0.9867 ve 0.9578 F1 skoru elde etmiştir. Görüntü bindirme tekniği, modelin tahmin doğruluğunu %80'den %92'ye yükselterek önemli bir iyileşme sağlamıştır; Vision Transformer'ın doğruluk oranı ise %96'dır. Sonuç: Bu çalışmada, farklı UNet varyantlarını tek bir yaklaşıma entegre eden bir topluluk yöntemi sunulmuş ve bu yöntem transformer modelleriyle karşılaştırılmıştır. CNN-Transformer topluluğu, yalnızca CNN içeren bir topluluktan daha iyi performans göstermiştir.
Özet (Çeviri)
Background: Segmentation of the lumbar spine anatomy can be a challenging task that entails a considerable amount of time and specialized skills, and involves the critical process of classifying the segmented portions of the lumbar region to determine if the disc is normal or abnormal. Method: We proposed a CNN ensemble method that comprises of five distinct variants of UNet model, namely Unet, ResUnet, SegUnet, VGG16Unet, and VGG19Unet, and then compare the method with TransUNet for segmentation. The method employs the image overlay technique which maps the extracted masks onto the corresponding base images. Subsequently, the masks are classified to determine the normalcy or abnormality of the disc using the pretrained ResNet101 architecture as the backbone for the ensemble models, and compare it with pretrained Vision Transformer. Then, compared our CNN-Transformer ensemble with the CNN ensemble methods. Two datasets were used, however, the main dataset comprised of 1525 slices from 515 patients. Results: The ensemble method proposed herein yielded an Intersection over Union (IoU) of 0.9988 and a Dice Coefficient of 0.9870, outperforming TransUNet in the segmentation task. However, Vision transformer achieved greater results in classification with F1 Score of 0.9867 and 0.9578 for abnormal and normal predictions respectively. The image overlay technique remarkably improved the model's predictive accuracy, from 80% to 92%, compared to Vision Transformer's 96%. Conclusion: We have presented an ensemble method that integrates UNet variants into a single approach, which we compared with transformers. A CNN-Transformer ensemble performs better than a CNN ensemble.
Benzer Tezler
- Deep learning ensembles for image understanding
Başlık çevirisi yok
SARA ATITO ALI AHMED
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- Evaluation of deep learning algorithms in sentiment analysis
Duygu analizinde derin öğrenme algoritmalarının karşılaştırılması
SANİ KAMIŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DIONYSIS GOULARAS
- Comparing uncertainty estimation methods in deep neural networks
Derin sinir ağlarında kullanılan belirsizlik ölçümleme yöntemlerinin karşılaştırılması
MEHMET ARIN ZEYNELOĞLU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiVeri Bilimi Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- Deep ensembles approach for energy forecasting
Enerji tahminlemede derin topluluklar yaklaşımı
ONUR ENGİNAR
Doktora
İngilizce
2023
MatematikOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ÖMÜR UĞUR
- Hybrid deep learning architectures for early detection and continuous monitoring of parkinson's disease using multimodal sensor data
Çok modlu sensör verileri kullanılarak parkinson hastalığının erken tespiti ve sürekli izlenmesi için hibrit derin öğrenme mimarileri
MARWAH MUWAFAQ KADHIM AL-MOZANI
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN DEMİREL