Derin öğrenme tabanlı damar segmentasyonu
Deep learning-based vessel segmentation
- Tez No: 977040
- Danışmanlar: DR. ÖĞR. ÜYESİ BURCU KIR SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde hızla gelişen tıbbi görüntüleme teknolojileri, sağlık alanında tanı ve tedavi süreçlerini iyileştirmede önemli fırsatlar sunmaktadır. Özellikle damar erişiminin zor olduğu çocuk, yaşlı, obez bireyler, ağır yanık vakaları ve koyu tenli hastalarda damar tespiti, konvansiyonel yöntemlerle oldukça zordur. Bu nedenle, non-invaziv vasküler görüntüleme sistemlerinin geliştirilmesi, klinik uygulamalarda kritik bir ihtiyaç haline gelmiştir. Bu çalışmada, dorsal el damarlarının tespiti ve segmentasyonu amacıyla YOLOv8, YOLOv11, Mask R-CNN, U-Net ve Faster R-CNN olmak üzere beş farklı derin öğrenme tabanlı model karşılaştırılmıştır. YOLOv8, YOLOv11, Mask R-CNN ve U-Net segmentasyon için; Faster R-CNN ise damarların lokalizasyonuna yönelik olarak değerlendirilmiştir. Modellerin testinde, Boğaziçi Üniversitesi tarafından yayımlanan ve farklı pozisyon ve ışık koşullarında çekilmiş 1575 kızılötesi (NIR) el görüntüsünden oluşan, etiketli bir veri seti kullanılmıştır. Model eğitimi öncesinde gri tonlama, kontrast artırma, histogram eşitleme, CLAHE, adaptif eşikleme ve medyan filtresi gibi ön işleme teknikleri kullanılarak damar yapıları daha belirgin hale getirilmiştir. Deneysel sonuçlara göre YOLOv11 modeli %88,7 doğruluk oranıyla en başarılı sonuçları vermiştir. YOLOv8 %76,2, Mask R-CNN %75,3, U-Net %75,0 ve Faster R-CNN %74,5 doğruluk oranına ulaşmıştır. YOLOv11, doğruluğu ve hızı sayesinde taşınabilir, düşük maliyetli damar tespit sistemlerine entegre edilebilir düzeydedir.
Özet (Çeviri)
In recent years, the rapid advancement of medical imaging technologies has offered significant opportunities to enhance diagnostic and therapeutic processes in healthcare. Vein localization remains a challenge in clinical practice, particularly among children, elderly individuals, obese patients, burn victims, and people with darker skin tones. Thus, the development of non-invasive vascular imaging systems is essential to improve the safety and efficiency of medical procedures. This study presents a comparative analysis of five deep learning-based models—YOLOv8, YOLOv11, Mask R-CNN, U-Net, and Faster R-CNN—for detecting and segmenting dorsal hand veins. While YOLOv8, YOLOv11, Mask R-CNN, and U-Net were used for segmentation, Faster R-CNN was evaluated for object detection to localize vein regions. The models were tested on a publicly available dataset from Boğaziçi University, consisting of 1,575 near-infrared (NIR) hand images captured under different lighting conditions and hand positions. Each image was manually annotated to define vascular structures. Prior to training, preprocessing techniques such as grayscale conversion, contrast enhancement, histogram equalization, CLAHE, adaptive thresholding, and median filtering were applied to improve image quality and vein visibility. Experimental results showed that YOLOv11 achieved the highest accuracy at 88.7%, followed by YOLOv8 (76.2%), Mask R-CNN (75.3%), U-Net (75.0%), and Faster R-CNN (74.5%). With its high accuracy and real-time performance, YOLOv11 shows strong potential for integration into portable, low-cost vein detection systems for clinical use.
Benzer Tezler
- Prematüre retinopati (ROP) teşhisinde derin öğrenme tabanlı retina görüntü segmentasyonu ve sınıflandırması
Deep learning-based retinal image segmentation and classification for diagnosis of retinopathy of prematurity (ROP)
AYHAN MURAT
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. VASİF NABİYEV
- Localization-guided federated learning for multi-center 3D segmentation of pediatric cardiovascular structures
Pediatrik kardiyovasküler yapıların çok merkezli 3B segmentasyonu için lokalizasyon rehberli federatif öğrenme
İREM YILMAZ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAKİP ÖNDER
DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN
- Sığırlarda retina biyometrisi ile görüntü işleme tabanlı kimliklendirme ve tanıma
Image processing-based identification and recognition in cattle using retinal biometrics
MUHAMMED AKYÜZLÜ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR CİHAN
DOÇ. DR. AHMET SAYGILI
- Data and model based performance improvement in transfer learning by using generative adversarial networks and model fusion techniques
Çekişmeli üretici ağlar ve model tümleştirme teknikleri kullanarak aktarımlı öğretimde veri ve model tabanlı performans iyileştirme
TUĞÇE TOPRAK
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALPER SELVER
- Derin öğrenme kullanarak optik sinir hipoplazisi hastalığının tespiti
Detection of optic nerve hypoplasia disease using deep learning
CANAN ÇELİK
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. İBRAHİM YÜCEDAĞ