Derin öğrenme tabanlı yöntemler ile karaciğer ve tümörün bölütlenmesi
Segmentation of liver and tumor with deep learning based methods
- Tez No: 987626
- Danışmanlar: DOÇ. DR. ERKAN ZEKİ ENGİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, LiTS (Liver Tumor Segmentation) veri setindeki bilgisayarlı tomografi (BT) görüntülerinde karaciğer ve tümör bölgelerinin otomatik olarak bölütlenmesi amacıyla, U-Net, DeepLabV3+ ve SegFormer olmak üzere üç farklı derin öğrenme tabanlı mimari karşılaştırmalı olarak incelenmiştir. Modellerin performansı; Dice Katsayısı, IoU, Kesinlik ve Duyarlılık gibi doğruluk ölçütleri ile, hesaplama verimliliği ise FLOPs ve parametre sayısı üzerinden değerlendirilmiştir. Elde edilen bulgular, model seçiminde yalnızca doğruluk değerlerinin değil; veri miktarı, sınıf dengesi, donanım uyumluluğu, yanlış pozitif/negatif toleransı ve klinik hassasiyet gibi faktörlerin de dikkate alınması gerektiğini ortaya koymuştur. DeepLabV3+ modeli genel olarak en yüksek doğruluk düzeyine ulaşırken; U-Net, düşük donanım gereksinimi sayesinde pratik uygulamalar için güvenilir bir alternatif, SegFormer ise yüksek duyarlılığı ve düşük kaynak tüketimi ile öne çıkan hafif bir model olmuştur. Bu çalışma, farklı veri senaryolarında üç popüler derin öğrenme mimarisinin hem doğruluk hem de hesaplama verimliliği açısından kapsamlı bir karşılaştırmasını sunarak, karaciğer ve tümör bölütleme alanında hem teorik hem de uygulamalı düzeyde katkı sağlamaktadır.
Özet (Çeviri)
In this thesis study, three different deep learning-based architectures—U-Net, DeepLabV3+, and SegFormer—were comparatively examined for the purpose of automatically segmenting liver and tumor regions in computed tomography (CT) images from the LiTS (Liver Tumor Segmentation) dataset. The models' performance was evaluated using accuracy metrics such as Dice Coefficient, IoU, Precision, and Recall, while computational efficiency was assessed based on FLOPs and the number of parameters. The findings revealed that model selection should take into account not only accuracy values but also factors such as data volume, class balance, hardware compatibility, tolerance for false positives/negatives, and clinical sensitivity. While the DeepLabV3+ model generally achieved the highest level of accuracy, U-Net emerged as a reliable alternative for practical applications due to its low hardware requirements, and SegFormer stood out as a lightweight model with high recall and low resource consumption. This study provides a comprehensive comparison of three popular deep learning architectures in terms of both accuracy and computational efficiency under different data scenarios, offering contributions at both theoretical and practical levels to the field of liver and tumor segmentation.
Benzer Tezler
- Çok kanallı veri füzyonu ile resunet tabanlı karaciğer tümörü segmentasyonu
Liver tumor segmentation based on resunet with multi-channel data fusion
ÜMRAN ŞEKER ERTUĞRUL
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HALİFE KODAZ
- Breast cancer data classification using SVM, NB and KNN algorithms
SVM, NB ve KNN kullanımı ile göğüs kanseri veri sınıflandırması
BURCU MERAL
Yüksek Lisans
İngilizce
2019
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. KAMİL ORUÇOĞLU
- Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
RABİYE KILIÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Derin transfer öğrenme yaklaşımları ile aflatoksinli kuru incirlerin tahribatsız gerçek zamanlı tespiti
Non-invasive real-time detection of aflatoxin contaminated dried figs with deep transfer learning approaches
CİHAN KILIÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER
- Histopatolojik görüntü analizinde derin öğrenme yöntemlerinin geliştirilmesi
Development of deep learning methods in histopathologic image analysis
DEMET ALICI KARACA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHRİYE AKAY