Geri Dön

AEC-capsnet: a robust capsule networks for advanced feature extraction in medical imaging

AEC-capsnet: Tıbbi görüntülemede gelişmiş özellik çıkarımı için sağlam kapsül ağları

PDF İndir

  1. Tez No: 998230
  2. Yazar: YASIR ADIL MUKHLIF MUKHLIF
  3. Danışmanlar: DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Tıbbi görüntü analizi, AEC-CapsNet, Kapsül Ağları, Dikkat mekanizması, Genişleme-daralma modülleri, Otomatik teşhis, Özellik çıkarma, Medical image analysis, AEC-CapsNet, Capsule Networks, Attention mechanism, Expansion-contraction modules, Automated diagnostics, Feature extraction. Since code : 92432
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tıbbi görüntü analizi alanındaki teknolojik atılımlar, bu alanı modern tıbbın belkemiği haline getirmiştir. Ancak, ilgili tıbbi verilerin son derece karmaşık ve incelikli olması, mevcut derin öğrenme mimarileri için engel teşkil etmektedir. Popüler olmalarına rağmen, Evrişimli Sinir Ağları (CNN'ler), havuzlama işlemleri nedeniyle tüm önemli uzamsal hiyerarşileri içermekte genellikle yetersiz kalmaktadır ve bu da ince taneli, ayrıntı temelli yeteneklerin kapsüllenmesini engellemektedir. Kapsül Ağları (CapsNets) getirilmesinin temel amacı, parça-bütün ilişkilerini, ölçeklenebilirliği ve hesaplama taleplerini dahil etmeye devam ederken daha fazla özellik ekleyerek bu dezavantajları aşmaktı. Buna rağmen, zayıf özellik çıkarma sorunu devam etmiş ve bu da geniş klinik uygulanabilirliğinde engellere neden olmuştur. Bu engelleri aşmak için, ağın çoklu ölçeklerde özellikleri azaltma, temsil öğrenmesini mümkün kılma ve tıbbi görüntüleme verilerinin yorumlanabilirliğini artırma yeteneğini artırmak için dikkat mekanizmaları ve genişleme-daralma modülleri içeren yeni bir sinir mimarisi olan Genişletilmiş Dikkat ve Daralma Geliştirilmiş Kapsül Ağı (AEC–CapsNet) piyasaya sürülmüştür. Bu, modeli altı farklı benchmark üzerinde kapsamlı bir şekilde test ettikten sonra başarıldı. Bu benchmarklar arasında Jun Cheng Beyin MRG, Breast_BreaKHis, HAM10000, Topuk Röntgeni, LC250000 kolon kanseri histopatolojisi ve LC250000 akciğer kanseri histopatolojisi yer alıyordu. Ek olarak, tıbbi olmayan CIFAR-10 veri setinde, veri seti artırımı veya mimari değişiklikler yapılmadan, %99,80'lik en yüksek doğruluk ve alıcı çalışma eğrisinde (AUC) %99'un üzerinde doğruluk ile üstün alan bağımsız alan özgüllükleri elde edildi. Çapraz doğrulama, çeşitli eğitim veri kümelerinde modelin sağlamlığını ve istikrarını kanıtladı. Önemli olarak, dikkat katmanlarının eklenmesi, tanısal açıdan bilgilendirici bölgeleri aydınlatarak klinik yorumlanabilirliği artırdı ve algoritmik tabanlı kararların açıklanması ile tıbbi rasyonalite arasındaki bağlantıyı güçlendirdi. AEC-CapsNet'in birçok güçlü yönüne rağmen, çerçevenin multimodal veri füzyonuna genişletilmesi ve klinik ön uçta gerçek zamanlı dağıtım gibi zorluklar devam etmektedir. Genel olarak, çalışma, derin öğrenme ile yeni ve genelleştirilebilir bir tıbbi görüntü teşhis sistemi sunarak, açıklanabilir yapay zekanın hassas tıbba artan katkısını savunmaktadır.

Özet (Çeviri)

The technological leaps and bounds in the field of medical Image analysis has made it the backbone of modern medicine. However, the immense intricacies and nuances of the medical data involved create hurdles to the prevailing deep learning architectures. Notwithstanding their popularity, Convolutional Neural Networks (CNNs), are generally found wanting in including all the significant spatial hierarchies due to pooling operations, which result in curbing to encapsulate fine-grained, detail-based abilities. The primary aim of introducing Capsule Networks (CapsNets) was to transcend those drawbacks by adding more features while continuing to include part-whole relations, scalability and computational demands. Even so, the problem of weak feature extraction persisted, causing obstacles in its wide clinical applicability. To overcome those obstacles, the Expanded Attention and Contraction Enhanced Capsule Network (AEC–CapsNet) was launched as a new neural architecture that included attention mechanisms and expansion–contraction modules to increase the capability of the network to reduce features at multiple scales, make representation learning possible, and increase the interpretability of medical imaging data. That was achieved only after thoroughly testing the model on six different benchmarks, that included – Jun Cheng Brain MRI, Breast_BreaKHis, HAM10000, Heel X-ray, LC250000 colon cancer histopathology and LC250000 lung cancer histopathology. Additionally, on the non-medical CIFAR-10 dataset, it yielded superior domain-agnostic domain-specificities with the highest accuracy of 99.80%, and that of over 99% on the receiver operating curve (AUC)Without dataset augmentation or architectural modifications. Cross-validation established the robustness and stability of the model on varied training datasets. Significantly, the addition of attention layers enhanced clinical interpretability by illuminating diagnostically informative regions, enhancing the connection between the algorithmic-based exposition of decisions versus medical rationality. Despite the many strengths of AEC-CapsNet, challenges remain that include extension of the framework to multimodal data fusion and real-time deployment on the clinical frontend. Overall, the study contributes a novel and generalizable medical image diagnostics system with deep learning, advocating the growing contribution of explainable artificial intelligence to precision medicine.

Benzer Tezler

  1. Tez No

    744383

    İzmit havzasının hidrojeoloji incelemesi ve yeraltısuyu akım modellemesi

    An examination of the hydrogeology of the İzmit basin, and modelling of the groundwater flow

    MERAL ERDOĞAN TOPÇUOĞLU

    Doktora

    Türkçe

    Türkçe

    2022

    Jeoloji Mühendisliğiİstanbul Teknik Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. REMZİ KARAGÜZEL

  2. Tez No

    918600

    Energy optimisation during aec (architectural, engineering, construction) conceptual design phase

    Mmi (mimari, mühendislik, inşaat) kavramsal tasarım aşamasında enerji optimizasyonu

    MEHMET ARİF AKTOĞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    MimarlıkUnıversıty Of Portsmouth

    Bina Bilgisi (mimari Tasarım) Ana Bilim Dalı

    DR. SEPEHR ABRİSHAMİ SHOKOOH

  3. Tez No

    904792

    Evaluating BIM's impact on project performance in the AEC industry of the Mena region

    Yapı bilgi modelleme (BIM) yaklaşımının Mena bölgesi AEC sektörü proje performansı üzerindeki etkisinin değerlendirilmesi

    MIGSID HUSAM ABDULAMEER MNAEDAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Kültür Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. OKAY IŞIK

  4. Tez No

    938492

    A strategic evaluation of BIM-driven information management in the Turkish AEC industry

    Türk inşaat endüstrisinde BIM odakli enformasyon yönetiminin stratejik değerlendirmesi

    UĞUR KAYA

    Doktora

    İngilizce

    İngilizce

    2025

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. OZAN ÖNDER ÖZENER

  5. Tez No

    611342

    A BIM-based collaboration system in design phase of metro projects in turkish aec industry

    Türkiye inşaat endüstrisinde metro projelerinin tasarım sürecinde BIM tabanlı bir işbirliği sistemi

    SERHAT KAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ASLI AKÇAMETE GÜNGÖR

Geri Dön