Dengesiz ve uzun kuyruklu dağılımlar ile dayanıklı tıbbi görüntü sınıflandırması
Robust medical image classification with imbalanced and long-tailed distributions
- Tez No: 989310
- Danışmanlar: DOÇ. DR. ÖMER ÖZGÜR TANRIÖVER, DOÇ. DR. HACER YALIM KELEŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: İnflamatuar bağırsak hastalıkları, Inflammatory bowel diseases
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Medikal görüntü analizi, derin öğrenme tekniklerindeki hızlı ilerlemelerle son yıllarda önemli bir gelişme göstermiştir. Ancak uzun kuyruklu sınıf dağılımları, veri dengesizliği ve gürültülü etiketler gibi sorunlar, modellerin genellenebilirliğini ve klinik güvenilirliğini sınırlamaya devam etmektedir. Bu tez, bu zorlukları iki klinik uygulama üzerinden ele almakta; nadir görülen cilt hastalıklarının sınıflandırılması ve ülseratif kolit hastalarında endoskopik görüntülerden hastalık şiddetinin tahmini üzerine odaklanmaktadır. Cilt hastalıkları sınıflandırması için, uzun kuyruklu dağılımlar altında farklı öğrenme stratejilerini sistematik biçimde inceleyen bir değerlendirme çerçevesi geliştirilmiştir. Transfer, meta ve özdenetimli yaklaşımlar, ISIC2018, Derm7pt ve SD-198 veri kümeleri üzerinde karşılaştırılarak nadir ve az temsil edilen sınıflara uyum yetenekleri analiz edilmiştir. Ayrıca modeller, daha önce hiç görülmeyen sınıflar üzerinde test edilerek alan genelleme yeteneği değerlendirilmiştir. Elde edilen sonuçlar, MixUp, CutMix ve ResizeMix gibi veri artırma teknikleriyle birleştirilen transfer öğrenme modellerinin, mevcut yöntemlere kıyasla daha yüksek doğruluk ve genellenebilirlik sağladığını göstermiştir. Önerilen çerçeve, uzun kuyruklu öğrenme ile alan genelleme arasındaki ilişkiyi bütüncül bir bakış açısıyla ele almaktadır. Ülseratif kolit analizinde ise, etiket gürültüsü ve hastalık şiddeti sınıflarının doğal sıralı yapısı dikkate alınarak müfredat öğrenme tabanlı bir yaklaşım tasarlanmıştır. Görüntü kalitesine göre belirlenen zorluk sıralaması sayesinde modelin kademeli ve dengeli öğrenmesi sağlanmış; LIMUC ve HyperKvasir veri kümelerinde doğruluk ve kappa metriklerinde anlamlı iyileşmeler elde edilmiştir. Genel olarak, önerilen yöntemler uzun kuyruklu ve gürültülü medikal görüntü verilerinde eğitilen derin modellerin dayanıklılığını, açıklanabilirliğini ve alan genelleme yeteneğini artırmakta; yeniden eğitime gerek duymadan farklı klinik ortamlara uyarlanabilen güvenilir klinik karar destek sistemlerinin geliştirilmesine katkı sunmaktadır.
Özet (Çeviri)
Medical image analysis has made significant progress in recent years with the rapid advancement of deep learning techniques. However, challenges such as long-tailed class distributions, data imbalance, and noisy labels continue to limit the generalizability and clinical reliability of these models. This thesis addresses these issues through two clinical applications: the classification of rare skin diseases and the estimation of disease severity in ulcerative colitis from endoscopic images. For skin disease classification, an evaluation framework was developed to systematically investigate learning strategies under long-tailed distributions. Transfer, meta, and self-supervised approaches were compared across multiple benchmark datasets (ISIC2018, Derm7pt, and SD-198) to analyze their adaptability to rare and under-represented classes. The models were further evaluated on previously unseen categories to assess their domain generalization capability. Results showed that transfer learning combined with data augmentation techniques such as MixUp, CutMix, and ResizeMix achieved higher accuracy and generalization than state-of-the-art methods. The proposed framework provides a comprehensive view linking long-tail learning and domain generalization. For ulcerative colitis analysis, a curriculum learning-based approach was designed to address label noise and the intrinsic ordinal nature of disease severity classification. By ranking samples according to image-quality-based difficulty, the model achieved gradual and balanced learning, yielding notable improvements in accuracy and kappa metrics on the LIMUC and HyperKvasir datasets. Overall, the proposed methods improve the robustness, interpretability, and domain generalization of deep models trained on long-tailed and noisy medical datasets, contributing to reliable clinical decision support systems that can be adapted across diverse clinical settings without retraining.
Benzer Tezler
- Effect of chymotrypsin on M1 type pyruvate kinase from rabbit muscle and L-type from sheep liver
Başlık çevirisi yok
NİLAY BAŞARAN
- 1985-1986 yıllarında Polatlı Devlet Hastanesine kaza nedeniyle başvuranların incelenmesi
Başlık çevirisi yok
FERHAN ŞENOL
Yüksek Lisans
Türkçe
1986
Gazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
Yükleniyor...
- Seçilen ekstraktif çözgenin etilasetat-etilalkol azeotropik sistemi üzerine etkisi
Başlık çevirisi yok
NAŞİDE FİDİ
