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
- 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
İstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri
Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”
FÜSUN GÜRSEL ÇELİKEL
- Tekstil boyamacılığında atık flottede boyama imkanları üzerine araştırma
Başlık çevirisi yok
MEHMET YAKARTEPE
