Medikal görüntülerin sınıflandırılmasında kapsül ağ tabanlı derin öğrenme mimarilerinin geliştirilmesi
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Medikal görüntülerde küçük detaylar, hastalık teşhisinde oldukça önemli olabilmektedir. Bu nedenle bu görüntülerin doğru ve hassas bir şekilde analiz edilmesi gerekmektedir. Kapsül Ağlar (CapsNet) görüntüdeki nesnelerin yönelim, renk, doku gibi bilgilerini kapsüller içinde saklayarak, nesnelerle ilgili uzamsal ve hiyerarşik ilişkileri dikkate almakta ve az sayıda veri ile iyi bir performans gösterebilmektedir. CapsNet'in bu avantajlı yönlerinin sağlık alanında kullanımı, hastalıkların doğru ve hassas bir şekilde teşhis edilmesine imkan tanıyabilmektedir. Ancak medikal görüntülerdeki ayrıntıları yakalamak için geleneksel CapsNet'in özellik çıkarma aşaması yetersiz kalmaktadır. Bu sorunu çözmek amacıyla derinleştirilen modellerde hesaplama maliyeti artmaktadır. Bu tez çalışmasında çıkarılan özellik sayısını arttırırken hesaplama maliyetini sabit tutmak hedeflenmiş ve CapsNet'in avantajlı yönlerini kullanarak karmaşık medikal görüntülerin sınıflandırılmasında yüksek güvenirlik ve doğruluğa sahip üç yeni CapsNet modeli geliştirilmiştir. Bu modellerde CapsNet katmanlarının derinleştirilmesi ile sınıflandırma doğruluğunun artırılması sağlanmıştır. Yapılan model geliştirme çalışmalarında katman artışının kaybolan gradyan problemine neden olmaması için artık bloklardan faydalanılmıştır. İlk çalışmada artık blok ve artık blok gibi atlamalı bağlantılara sahip olan FractalNet modülü kullanılmış ve yeni bir ezme fonksiyonu önerilmiştir. İkinci çalışma da mevcut arka arkaya mimari yerine paralel şeritlerden oluşan mimarinin CapsNet'in sınıflandırma performansına etkisi incelenmiştir. Ayrıca artık blok sayısının sınıflandırmaya etkisi de gözlemlenmiştir. Üçüncü çalışmada ise CapsNet'in sınıflandırma performansının iyileştirilmesi amacıyla derinleştirilen ağın sebep olduğu artan parametre sayısını azaltmak hedeflenmiştir. CapsNet'in konvolüsyon katmanı yerine artık blok ve konvolüsyonel blok dikkat modülü (CBAM- Convolutional Block Attention Module) kullanılmıştır. Artık blok çıkarılan özellik sayısının arttırılmasını, CBAM ise bu özelliklerden önemli olanların seçilmesini sağlamıştır. Bu sayede üzerinde işlem yapılan özellik sayısı ve modelin parametre sayısı azalmıştır. Önerilen bu yaklaşımların değerlendirilmesi için karmaşık görüntülere sahip CIFAR10 veri seti ve çeşitli medikal veri setleri kullanılmıştır. Bu veri setleri retinal görüntüler, kan hücresi görüntüleri, göğüs röntgeni görüntüleri, cilt lezyonu görüntüleri ve beyin MR görüntüleri içermektedir. Deneysel çalışmalar sonucunda elde edilen performans değerleri, geliştirilen yaklaşımların mevcut CapsNet modelinin medikal görüntüleri sınıflandırma yeteneğini iyileştirdiğini ve CapsNet modelinin daha kararlı hale geldiğini göstermektedir.
Subtle details in medical images can be crucial in disease diagnosis. Therefore, these images need to be analyzed accurately and precisely. Capsule Networks (CapsNet) take into account the spatial and hierarchical relationships of the objects in the image by storing information such as orientation, color, texture, etc. in capsules and can perform well with a small amount of data. The use of these advantages of CapsNet in the healthcare field can enable accurate and precise diagnosis of diseases. However, the feature extraction phase of traditional CapsNet is insufficient to capture the details in medical images. The computational cost increases in deepening models to solve this problem. In this thesis, we aim to stabilize the computational cost while increasing the number of extracted features, and by using the advantageous aspects of CapsNet, three new CapsNet models with high reliability and accuracy in the classification of complex medical images are developed. In these models, the classification accuracy is improved by deepening CapsNet layers. In the studies, residual blocks were utilized in order to avoid the vanishing gradient problem of increasing layers. In the first study, the FractalNet module with skip connections such as residual block and residual block is used and a new squash function is proposed. In the second study, the effect of the architecture consisting of parallel lanes instead of the current back-to-back architecture on the classification performance of CapsNet is investigated. The effect of the number of residual blocks on classification is also observed. In the third study, the aim was to reduce the increased number of parameters resulting from the deepened network in order to improve the classification performance of CapsNet. The residual block and the Convolutional Block Attention Module (CBAM) are used instead of the convolution layer of CapsNet. The residual block increased the number of features extracted and CBAM selected the important ones. This reduced the number of features to be processed and the number of parameters of the model. Various medical datasets and the CIFAR10 dataset with complex images were used to evaluate these proposed approaches. These datasets include retinal images, blood cell images, chest X-ray images, skin lesion images, and brain MRI images. The performance values obtained from the experimental studies show that the proposed approaches improve the ability of the existing CapsNet model to classify medical images and make the CapsNet model more stable.
Subtle details in medical images can be crucial in disease diagnosis. Therefore, these images need to be analyzed accurately and precisely. Capsule Networks (CapsNet) take into account the spatial and hierarchical relationships of the objects in the image by storing information such as orientation, color, texture, etc. in capsules and can perform well with a small amount of data. The use of these advantages of CapsNet in the healthcare field can enable accurate and precise diagnosis of diseases. However, the feature extraction phase of traditional CapsNet is insufficient to capture the details in medical images. The computational cost increases in deepening models to solve this problem. In this thesis, we aim to stabilize the computational cost while increasing the number of extracted features, and by using the advantageous aspects of CapsNet, three new CapsNet models with high reliability and accuracy in the classification of complex medical images are developed. In these models, the classification accuracy is improved by deepening CapsNet layers. In the studies, residual blocks were utilized in order to avoid the vanishing gradient problem of increasing layers. In the first study, the FractalNet module with skip connections such as residual block and residual block is used and a new squash function is proposed. In the second study, the effect of the architecture consisting of parallel lanes instead of the current back-to-back architecture on the classification performance of CapsNet is investigated. The effect of the number of residual blocks on classification is also observed. In the third study, the aim was to reduce the increased number of parameters resulting from the deepened network in order to improve the classification performance of CapsNet. The residual block and the Convolutional Block Attention Module (CBAM) are used instead of the convolution layer of CapsNet. The residual block increased the number of features extracted and CBAM selected the important ones. This reduced the number of features to be processed and the number of parameters of the model. Various medical datasets and the CIFAR10 dataset with complex images were used to evaluate these proposed approaches. These datasets include retinal images, blood cell images, chest X-ray images, skin lesion images, and brain MRI images. The performance values obtained from the experimental studies show that the proposed approaches improve the ability of the existing CapsNet model to classify medical images and make the CapsNet model more stable.
Açıklama
Anahtar Kelimeler
CapsNet, Derin Öğrenme, Konvolüsyonel Sinir Ağları, Medikal Görüntü, Yapay Zeka, Artificial Intelligence, Convolutional Neural Networks, Deep Learning, Medical Imaging
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Şengül, S. B. (2024). Medikal görüntülerin sınıflandırılmasında kapsül ağ tabanlı derin öğrenme mimarilerinin geliştirilmesi. (Doktora Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
