Geri Dön

Farklı omurga mimarilerine sahip faster R-CNN modeli ile böbrek doku görüntülerinde glomerül tespiti ve sayımı

Detection and counting of glomeruli in kidney tissue images using faster R-CNN model with different backbone architectures

PDF İndir

  1. Tez No: 986369
  2. Yazar: RAMAZAN KARABACAK
  3. Danışmanlar: DOÇ. DR. İSMAİL KOÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, histolojik böbrek doku görüntülerinde glomerüllerin otomatik tespiti ve sayımı için Faster R-CNN mimarisi kullanılarak farklı omurga (backbone) mimarilerinin performansları karşılaştırmalı olarak değerlendirilmiştir. AlexNet, ResNet-50, ResNet-101, GoogLeNet (Inception-v3), VGG-16, DenseNet-121, EfficientNet-B0 ve MobileNet-V2 olmak üzere sekiz omurga (backbone) aynı veri kümesi ve eğitim protokolü altında değerlendirilmiştir. Toplam 2500 adet 500×500 piksel çözünürlüğündeki histolojik görüntü %70 eğitim, %15 doğrulama ve %15 test olmak üzere üç gruba ayrılmıştır. Tüm modeller ImageNet veri seti üzerinde ön eğitimli ağırlıklarla transfer öğrenme yaklaşımı kullanılarak eğitilmiştir. Performans değerlendirmesi kesinlik (precision), duyarlılık (recall), F1-skor, 0,50 Birleşim Üzerinden Kesişim (IoU) eşiğinde Genel Ortalama Hassasiyet mAP50 ve 0,50-0,95 IoU aralığında Genel Ortalama Hassasiyet (mAP50-95) metrikleri kullanılarak gerçekleştirilmiştir. Test seti sonuçlarına göre, MobileNet-V2 genel performans açısından en yüksek F1-skor değerini 0,973 ile öne çıkmıştır. Kesinlik metriğinde ResNet-50 0,954 en başarılı olurken, duyarlılık metriğinde DenseNet-121 0,994 en yüksek değeri göstermiştir. Nesne tespit kalitesinin değerlendirilmesinde mAP50 metriğinde VGG-16 0,992 öne çıkarken, mAP50-95 metriğinde VGG-16 0,708 en iyi performansı göstermiştir.

Özet (Çeviri)

In this study, the performance of different backbone architectures was comparatively evaluated using the Faster R-CNN architecture for the automatic detection and counting of glomeruli in histological kidney tissue images. Eight backbones-AlexNet, ResNet-50, ResNet-101, GoogLeNet (Inception-v3), VGG-16, DenseNet-121, EfficientNet-B0, and MobileNet-V2-were evaluated under the same dataset and training protocol. A total of 2500 histological images with a resolution of 500×500 pixels were divided into three groups: 70% training, 15% validation, and 15% testing. All models were trained using a transfer learning approach with pre-trained weights on the ImageNet dataset. Performance evaluation was performed using the metrics of precision, recall, F1-score, Mean Average Precision at 0,50 Intersection over Union (IoU) threshold (mAP50), and Mean Average Precision in the 0,50-0,95 IoU range (mAP50-95). According to the test set results, MobileNet-V2 stood out with the highest F1-score value of 0,973 in terms of overall performance. ResNet-50 was the most successful in the precision metric with 0,954, while DenseNet-121 showed the highest value in the recall metric with 0,994. In evaluating object detection quality, VGG-16 stood out with 0,992 in the mAP50 metric, while VGG-16 showed the best performance with 0,708 in the mAP50-95 metric.

Benzer Tezler

  1. Tez No

    905206

    Osmanlıca el yazması belgeler için derin öğrenme tabanlı karakter tanıma yöntemi

    Deep learning based character recognition method for Ottoman manuscript documents

    ALİ ALPER DEMİR

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSüleyman Demirel Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UFUK ÖZKAYA

  2. Tez No

    874223

    Multi-scale recursive context aggregation network for semantic segmentation

    Anlamsal bölümleme için çok ölçekli özyinelemeli bağlam birleştirme ağı

    ABDULLAH YALÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KESKİNÖZ

  3. Tez No

    954003

    Afet sonrası yapı hasarlarının uzaktan algılama görüntüleri ile semantik segmentasyon tabanlı değerlendirilmesi

    Post-disaster structural damage assessment based on semantic segmentation using remote sensing images

    SERHAT ALPERGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET SİRAÇ ÖZERDEM

    DOÇ. DR. HASAN POLAT

  4. Tez No

    998805

    Novel deep learning based approaches for clutter removal and target detection in GPR

    Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar

    YAVUZ EMRE KAYACAN

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  5. Tez No

    101088

    APPN mimarisi ile diğer şebeke mimarilerinin bütünleştirilmesine ilişkin yöntemler

    Integration methods of APPN architecture and other networking architectures

    ALPER GÜVENER

    Yüksek Lisans

    Türkçe

    Türkçe

    2000

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. GÜNSEL DURUSOY

Geri Dön