Shape and geometry preserving loss functions for computed tomography image segmentation
Bilgisayarlı tomografi görüntü segmentasyonu için şekil ve geometri koruyan kayıp fonksiyonları
- Tez No: 974566
- Danışmanlar: PROF. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı tomografi, Görüntü bölütleme, Simplisel topoloji, Computed tomography, Image segmentation, Simplical topology
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Segmentasyon ağları, standart bir kayıp fonksiyonu ile eğitildiklerinde, bir nes- nenin şekli ve birden fazla nesne arasındaki geometri gibi bir görüntünün küresel değişmezlerini öğrenmek için açıkça dayatılmaz. Öte yandan, özellikle sınırlı mik- tarda eğitim verisi mevcut olduğunda, bu değişmezlerin ağ eğitimine dahil edilmesi, bu değişmezlerin segmente edilecek nesnelerin içsel özellikleri olması koşuluyla, eğitimin düzenlenmesine yardımcı olabilir. Bu tez, kalıcı homoloji yoluyla temel gerçek ve tahmin arasındaki şekil ve geometri farklılıklarını cezalandıran alternatif formülasyonlarla topolojiye duyarlı kayıp fonksiyonunu sunarak bu sorunu ele almaktadır. Topolojiye duyarlı kayıp fonksiyonunun alternatif formülasyonlarına yol açan üç farklı topolojik filtreleme fonksiyonu kullanıyoruz. Hem temel gerçek hem de tahmin haritalarının kalıcılık diyagramları bir topolojik filtreleme fonksiyonu ile elde edildikten sonra, topolojik farklılık, ilgili kalıcılık diyagramları arasındaki Wasserstein mesafesi kul- lanılarak hesaplanır. İki farklı BT görüntü veri seti üzerinde yaptığımız deneyler, ağın performansındaki artışın anlamlı olduğunu ortaya koymaktadır.
Özet (Çeviri)
Segmentation networks are not explicitly imposed to learn global invariants of an image, such as the shape of an object and the geometry between multiple objects, when they are trained with a standard loss function. On the other hand, especially when there exists a limited amount of training data, incorporating such invariants into network training may help regularize the training, provided that these invariants are the intrinsic characteristics of the objects to be segmented. This thesis addresses this issue by introducing the topology-aware loss function, with alternative formulations, that penalizes shape and geometry dissimilarities between the ground truth and prediction through persistent homology. We use three different topological filtration functions, leading to alternative formulations of the topology-aware loss function. After obtaining the persistence diagrams of both the ground truth and prediction maps by a topological filtration function, the topological dissimilarity is calculated by the use of the Wasserstein distance between the corresponding persistence diagrams. Our experiments on two different datasets of CT images reveal that the increase in the network's performance is significant.
Benzer Tezler
- Tekil kazıklara alternatif olarak kullanılan çoklu kazık gruplarının zemin ve malzeme parametresine bağlı olarak seçimi ve maliyet analizi
Single piles and their multi-pile group alternatives selection based on soil and material parameters and cost analysis
MEHMET YUSUF ERBİŞİM
- Çukurova bölgesinde biyoklimatik veriler kullanılarak açık ve yeşil alan sistemlerinin belirlenmesi ilkeleri üzerinde bir araştırma
A research on the determination of the principles in open and green spaces systems by using the bioclimatic data in Çukurova region
MEHMET FARUK ALTUNKASA
