Yazar "Mohammedhasan, Mali" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Evrişimli Sinir Ağları Kullanılarak Retina Görüntülerinin Segmentasyonu ve Sınıflandırılması
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2021) Mohammedhasan, Mali; Uğuz, Harun
    Derin öğrenme, bilgisayar ve veri biliminde son birkaç yılda en hızlı büyüyen alanlardan biridir. Çeşitli uygulamalarda özellik çıkarma ve tanıma için yaygın olarak kullanılmaktadır. Derin öğrenmedeki son gelişmeler, tıbbi görüntülerdeki kalıpları tanımlamak, sınıflandırmak ve ölçmek için büyük bir adım atmıştır. Bu şekilde, derin öğrenme, çeşitli tıbbi uygulamalarda gelişmiş performanslar elde eden son teknoloji bir temel olduğunu hızla kanıtlamaktadır. Bu tez çalışmasında doku segmentasyonu ve bilgisayar destekli hastalık teşhisi üzerine iki temel çalışma gerçekleştirilmiştir. İlk çalışma, retina kan damarlarını fundus görüntülerinden otomatik olarak bölümlere ayırmak için yeni bir Derin Evrişimli Sinir Ağı (DESA) mimarisi önermektedir. Otomatik segmentasyon, retina hastalıklarının bilgisayar destekli teşhisinde temel bir rol oynamaktdır. Göz hastalıklarının ve belirgin patolojik semptomlara yol açan diğer sistemik hastalıkların tanısında oldukça önemlidir. Retina kan damarı segmentasyonu, gürültülü bir arka planda damarların morfolojisindeki aşırı değişiklikler nedeniyle zordur. Mevcut derin öğrenme tabanlı denetimli yöntemler, anlamsal segmentasyon görevlerinde avantajlı olan düşük seviyeli özelliklerin yetersiz kullanımından dolayı çeşitli problemlerle karşılaşmaktadır. Tez kapsamında önerilen mimari, retina kan damarlarını segmentlere ayırmak için hem yüksek seviyeli özellikleri hem de düşük seviyeli özellikleri kullanmaktadır. Önerilen mimarinin ana katkısı iki önemli faktöre odaklanmaktadır. Birincisi, kümelenmiş rezidüel bağlantıların son derece modülerleştirilmiş ağ mimarisini sağlamasıdır. İkincisi, ağ içindeki bilgi işlem kaynaklarının kullanımını iyileştirmektir. Bu, hesaplama maliyetinin istikrarını korurken ağın derinliğini ve genişliğini artırmaya izin veren bir tasarımla elde edilmektedir. Deneysel sonuçlar, retina damarlarını daha doğru ve net bir şekilde bölümlere ayırmada kümelenmiş rezidüel bağlantıların kullanılmasının etkinliğini göstermektedir. Mevcut en iyi yöntemlerle karşılaştırıldığında, önerilen yöntem, farklı ölçümlerde diğer mevcut yöntemlerden daha iyi performans göstermiştir. İnce damarlarda daha az yanlış pozitif içermiştir ve uzmanların manuel segmentasyonu gibi yeterli ayrıntılarla daha net sınır çizgileri içermiştir. Diyabetik Retinopati (DR), zamanla retina dekolmanı, vitreus kanaması, glokom gibi görme sorunlarına yol açan ve daha kötü durumlarda başlangıçta periyodik DR taraması ile kontrol edilebilen körlüğe yol açan bir retina hastalığıdır. Erken teşhis, hastalığın daha fazla kontrolüne yol açacaktır, oysa tüm diyabetik hastalarda retina muayenelerinin yapılması ulaşılamaz bir ihtiyaçtır. Diyabetik retinopati, retina dokularında iz ve lezyonlar bırakacak ölçüde retinadaki kan damarlarında ilerleyici hasara neden olmaktadır. Bu lezyonlar kenarlar şeklinde görünür ve retina görüntülerini işlerken, diyabetik retinopati semptomlarının iv daha iyi teşhisini sağlamak için bu kenarlar vurgulamaya çalışılır. Tez kapsamında yapılan ikinci çalışma, Evrişimli Sinir Ağlarının (ESA) gücünü DR'nin sınıflandırma teşhisine kullanılabileceğini gösteren yeni bir strateji önermektedir. DR teşhisinde çok iyi performans gösteren, rezidüel bağlantılara sahip yeni bir ESA mimarisi kullanılmaktadır. Tanılama doğruluğunu iyileştirmek için verilere öncelikle Temel Bileşen Analizi (TBA) uygulanmıştır. Önerilen model, Kenarı-koruyan Kılavuzlu Görüntü Filtrelemeden (K-KGF) yararlanmaktadır. Bir kontrast geliştirme mekanizması olarak çalışmaktadır ve düşük gradyanlı alanları düzleştirmenin yanı sıra güçlü kenarları da vurgulamaktadır. Önerilen model, “RUnet-PCA: Temel Bileşen Analizi ile Rezidüel U-net Derin ESA” olarak adlandırılmıştır. Önerilen modelle karşılaştırma için iyi bilinen AlexNet, VggNet-s, VggNet-16, VggNet-19, GoogleNet ve ResNet modelleri kullanılmıştır. DR teşhis doğruluğunu analizi için Kaggle veri kümesi kullanılmıştır. Deneysel sonuçlar, önerilen RUnet-PCA modelinin %98,44 tanı doğruluğuna ulaştığını ve diğer tanı yöntemlerine kıyasla son derece sağlam ve umut verici olduğunu göstermektedir.