Dikkat mekanizmalarına dayalı hibrit derin öğrenme yaklaşımıyla üç boyutlu mr verilerinde beyin tümörü bölütlemesi
Brain tumor segmentation in three-dimensional mri data using a hybrid deep learning approach based on attention mechanisms
- Tez No: 965394
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH OKUMUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü bölütleme, Image segmentation
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, üç boyutlu manyetik rezonans görüntüleme (3B MRG) verileri üzerinde beyin tümörü bölütlemesini gerçekleştirmek üzere tasarlanan, yeni bir dikkat (attention) temelli model önermektedir. Model, hem Gated Attention (geçit kontrollü dikkat mekanizması) hem de CBAM (Convolutional Block Attention Module) yapılarını bir araya getirerek hem uzamsal hem de kanalsal bağlamları daha etkili biçimde yakalamayı amaçlamaktadır. Model mimarisi klasik bir encoder (kodlayıcı)–decoder kod çözücü) yapısı üzerine inşa edilerek, kodlayıcı ile kod çözücü arasındaki geçiş bölgesine Gated Attention katmanı yerleştirilmekte ve çözücü kısmında yer alan sıçrama bağlantılarına CBAM blokları entegre edilmektedir. Model, BraTS (Brain Tumor Segmentation Challenge) 2020 veri seti üzerinde hasta bazlı ayrım ile eğitilerek değerlendirilmektedir. Test verisi üzerinde elde edilen ortalama başarımlar şu şekildedir: Doğruluk (accuracy) 0.9934 ± 0.0034, Dice skoru 0.8768 ± 0.0738, IoU skoru 0.7876 ± 0.1079 ve Hassasiyet (recall) 0.8409 ± 0.1192. Ayrıca, modelin toplam hesaplama karmaşıklığı 83.32 GFLOPs olarak ölçülmekte ve yalnızca 0.98 milyon parametre içermesiyle dikkat çekici bir hesaplama verimliliği sergilemektedir. Sonuçlar, önerilen çift dikkat mekanizmalı yapının hem genel doğruluğu hem de tümörün sınırlarını belirlemedeki başarımı açısından literatürdeki birçok yönteme kıyasla rekabetçi ve dengeli bir yapı sunduğunu göstermektedir.
Özet (Çeviri)
The purpose of this study is about a new detailed model that is designed to perform brain tumor segmentation on three-dimensional magnetic resonance imaging (3D MRI) data. The model is a combination of both Gated Attention and CBAM structures to more effectively capture both types of data. The model is built on a classical encoder-decoder structure. However, a Gated Attention layer is placed in the transition region between the encoder and decoder, and CBAM blocks are unified into skipping the connections of the decoder part. The model was trained and evaluated with careful separation on the BraTS 2020 dataset. The average performance achieved on the test data is as follows: accuracy 0.9934 ± 0.0034, Dice coefficient 0.8768 ± 0.0738, IoU score 0.7876 ± 0.1079, and recall 0.8409 ± 0.1192. Therefore the difficulty of the model was measured at 83.32 GFLOPs, and it has showed amazing efficiency with only 0.98M parameters. The results show that the dual attention mechanism structure offers a competitive and balanced performance compared to many methods in the literature, both in terms of overall accuracy and success in identifying tumor boundaries.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
- Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques
Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri
KÜBRA KÜLLAHCI
- Fusion of RGB and thermal image pairs for object and face liveness detection
Nesne ve yüz canlılığı tespiti için RGB ve termal görüntü çiftlerinin birleştirilmesi
MERVE ERŞAN
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Bridging causal discovery and graph neural networks: a comparative perspective
Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı
MUHAMMED ÖMER TAYLAN
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
Yükleniyor...
- Neutrino particle direction estimation using transformer-based deep learning
Transformer tabanlı derin öğrenme kullanılarak nötrino parçacık yönü kestirimi
ŞEVVAL COŞKUN
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
Yükleniyor...