Architectural development and analysis of a deep learning model for 3d medical image processing
3B medikal görüntü işleme için derin öğrenme model mimarisinin geliştirmesi ve analizi
- Tez No: 980998
- Danışmanlar: PROF. DR. REŞAT ÖZGÜR DORUK, DR. HAKAN TORA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde medikal görüntü segmentasyonuna yönelik geliştirilen derin öğrenme modelleri, yüksek doğruluk sunmalarına rağmen; aşırı hesaplama maliyeti, karmaşık yapılar ve donanım bağımlılığı nedeniyle pratik kullanımda çeşitli sınırlılıklar barın-dırmaktadır. Bu doğrultuda, kullanıcı dostu, düşük donanım gereksinimiyle çalışabi-len, sade ancak derin yapıda, sınırlı veri setlerinde de etkili sonuçlar verebilen, genellenebilir ve güçlü mimarilere duyulan ihtiyaç giderek artmaktadır. Bu tezde, herhangi bir fine-tuning veya dışsal optimizasyona ( pruning, quantization, attention vb.) ihtiyaç duymadan, yalnızca yapısal mimari iyileştirmelerle yüksek doğruluk elde eden donanım dostu bir 3B CNN modeli geliştirilmiştir. Model mimarisi kapsamlı biçimde ele alınmış; katman derinliği, filtre boyutu, kanal sayısı, aktivasyon ve normalizasyon sıralaması gibi birçok parametre sistematik olarak analiz edilmiştir. Farklı çekirdek boyutlarına sahip konvolüsyon filtreleri hem paralel yollarla aynı blok içinde, hem de ardışık katmanlar arasında dağıtılarak farklı mimari konfigürasyonlarla yapılandırılmıştır. Bu yapılarda tek ve çok katmanlı, simetrik ve asimetrik tasarımlar denenmiştir. Ayrıca model tasarımı sürecinde NAS (Neural Architecture Search) yöntemi uygulanmış; elde edilen mimari varyantlar performans açısından değerlendirilmiştir. Geliştirilen model, klasik U-Net'e kıyasla eğitim süresini 2.5 ila 10 kat arasında kısaltmış, FLOPs değerini yaklaşık yarı yarıya düşürmüş ve benzer Dice Benzerlik Katsayısı (DSC) ile segmentasyon doğruluğunu korumayı başarmıştır. Ayrıca yapılan analizlerde, FLOPs'un gerçek zamanlı performansı belirlemede tek başına yeterli bir ölçüt olmadığı ortaya konmuştur. Bu tez kapsamında yürütülen çalışmalar, yalnızca mimari düzeyde gerçekleştirilen iyileştirmelerle yüksek doğruluk ve donanım verimliliğine ulaşılabileceğini göstermekte; geliştirilen yapının sade fakat derin mimarisi-yle genellenebilirliği, sınırlı veri setlerinde başarımı ve hangi mimari parametrelerin modele belirgin katkı sağladığı detaylı biçimde ortaya konmuştur.
Özet (Çeviri)
Deep learning based models developed for medical image segmentation achieve high accuracy, yet their practical implementation remains limited due to excessive computational cost, architectural complexity, and dependency on hardware resources. Accordingly, there is an increasing demand for models that are structurally compact, hardware efficient, sufficiently deep, generalizable, and capable of performing effectively even with limited datasets. This thesis presents a 3D convolutional neural network architecture that achieves high segmentation accuracy through architectural modifications alone, without requiring any external optimization techniques. The architecture was thoroughly investigated, and key parameters such as layer, kernel size, number of channels, and the ordering of activation and normalization were systematically analyzed. Convolutional kernels with varying receptive field sizes were employed in different configurations, including parallel branches within the same block and sequential layers across the architecture. The design process involved comprehensive experimentation using neural architecture search through which various architectural configurations were evaluated. Compared to the classical U-Net model, the proposed architecture reduced training time by a factor of 2.5 to 10, halved the number of floating point operations, and maintained comparable segmentation accuracy in terms of the Dice Similarity Coefficient.Furthermore, it was observed that although FLOPs is widely used as a computational cost metric, it does not directly correlate with actual inference time. The findings of this thesis demonstrate that it is possible to achieve high segmentation performance and hardware efficiency through architectural design alone, and offer a detailed investigation into the structural parameters that most significantly affect performance in compact and generalizable CNN models.
Benzer Tezler
- Mevcut betonarme yapıların planda düzensizlik durumlarının derin öğrenme ile belirlenmesi için bir model önerisi
A model proposal for determi̇ni̇ng plan irregulari̇ti̇es i̇n exi̇sti̇ng rei̇nforced concrete structures usi̇ng deep learni̇ng
RABİA SAFA ÖZEN
Doktora
Türkçe
2026
MimarlıkKonya Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SERRA ZERRİN KORKMAZ
- Deep learning-driven visual analysis of tangible architectural heritage data: classification of Ottoman vernacular houses through facade images
Somut mimari miras verilerinin derin öğrenme tabanlı görsel analizi: Osmanlı vernaküler konutlarının cephe görselleri üzerinden sınıflandırılması
VELİ MUSTAFA YÖNDER
Doktora
İngilizce
2025
Mimarlıkİzmir Yüksek Teknoloji EnstitüsüMimarlık Ana Bilim Dalı
PROF. DR. FEHMİ DOĞAN
DR. ÖĞR. ÜYESİ HASAN BURAK ÇAVKA
- Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma
Classification of recyclable wastes with deep learning models: A comparison on the effect of dataset size
GAMZE AĞIRTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Uydu bazlı jeodezik ve jeodinamik veri analiz ve yönetim sistemi tasarımı ve uygulaması
Design and implementation of a satellite-based geodetic and geodynamic data analysis and management system
DENİZ BAŞAR
Doktora
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. RAHMİ NURHAN ÇELİK
- Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi
Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks
BERFİN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR