Improving classification performance of endoscopic images with generative data augmentation
Üretken veri çoğaltma ile endoskopi görüntülerinde sınıflandırma başarımının iyileştirilmesi
- Tez No: 720159
- Danışmanlar: PROF. DR. ALPTEKİN TEMİZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü sınıflandırma, Öğrenme algoritmaları, Üretici ağlar, Image classification, Learning algorithms, Producer networks
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Modelleme ve Simülasyon Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme temelli bilgisayarla görü modellerinin performansı eğitim sırasında kullanılan görüntülerin kalitesi ve çeşitliliğine bağlıdır. Bazı uygulamalarda yeni görüntü toplamak imkansız olabilir. Veri çoğaltma yöntemlerinin kısıtlı veri olması halinde performans iyileştirmesi sağladığı gösterilmiştir. Çekişmeli Üretici Ağlar (ÇÜA) üzerindeki güncel gelişmeler ışığında üretilen sentetik görüntülerin kalitesi ve çeşitliliği artmıştır ve kısıtlı veri ile ÇÜA eğitimi mümkün kılınmıştır. Endoskopik görüntüleme vücut içinde semptomlara neden olan hastalıkların teşhisi için önem arz etmektedir. Ülseratif Kolit (UK) doktorların gastrointestinal endoskopi yöntemi ile hastalarına teşhis ve tedavi uyguladığı bir gastrointestinal hastalıktır. UK hastalığının değerlendirilmesi için hastalık belirtilerinin şiddetine göre Mayo skorlama sistemi kullanılmaktadır. Derin öğrenme temelli yaklaşımlarla endoskopi görüntülerinin Mayo skoruna göre sınıflandırılması denenmiş ve uygulanabilir olduğu gösterilmiştir. Bu tezde ÇÜA eğitimi ile sentetik görüntüler elde edilerek, bu görüntüler ile derin öğrenme modellerinin örnek uzayı genişletilerek nihayetinde sınıflandırma performanslarında iyileştirme sağlanması önerilmektedir. Sonuçlara göre ÇÜA tarafından üretilen sentetik görüntülerle derin öğrenme temelli yaklaşımların sınıflandırma performansında %2.7 artış sağlanmıştır.
Özet (Çeviri)
The performance of a supervised deep learning model is highly dependent on the quality and variety of the images in the training dataset. In some applications, it may be impossible to obtain more images. Data augmentation methods have been proven to be successful in increasing the performance of deep learning models with limited data. Recent improvements on Generative Adversarial Networks (GAN) algorithms and structures resulted in improved image quality and diversity and made GAN training possible with limited data. The process of endoscopic imaging is essential for diseases with symptoms occurring inside the body. Medical experts use gastrointestinal endoscopic imaging to assess their patients and treat them. Ulcerative Colitis (UC) is a gastrointestinal disease where the assessment of a patient's health is done by Mayo scoring, where experts evaluate the severity of the disease symptoms. The classification of endoscopic images according to Mayo classes with deep-learning-based approaches has been studied and proven to be feasible. This thesis proposes adopting a GAN-based synthetic image generation process to increase the number of images in the dataset used by deep-learning-based methods. The results show that the classification performance of deep-learning-based approaches can be improved by 2.7% with the help of synthetic images generated by generative adversarial networks.
Benzer Tezler
- Hdaru-net tabanlı derin öğrenme yaklaşımın tıbbi görüntülerdeki performansı: Adenoid hipertrofisi ve cilt lezyonları üzerine bir inceleme
Performance of the hdaru-net based deep learning approach on medical images: A study on adenoid hypertrophy and skin lesions
SEDAT ÖRENÇ
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
DOÇ. DR. EMRULLAH ACAR
- Kablosuz kapsül endoskopi görüntülerinin sınıflandırılması için derin öğrenme modellerinin optimize edilmesi
On optimizing deep learning model performance for wireless capsule endoscopy image classification
MOHAMED ALSHAIKH
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUZAFFER KANAAN
- Computer-aided estimation of endoscopic activity in ulcerative colitis
Ülseratif kolit endoskopik aktivitesinin bilgisayar yardımı ile tahmin edilmesi
GÖRKEM POLAT
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. ALPTEKİN TEMİZEL
- Improving text classification performance with the analysis of lexical dependencies and class-based feature selection
Sözcüksel bağımlılıkların ve sınıf bazlı öznitelik seçiminin analizi ile metin sınıflandırma performansında iyileştirme
LEVENT ÖZGÜR
Doktora
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUNGA GÜNGÖR
- Ayrıklaştırma ve optimizasyon yaklaşımları ile sınıflandırma algoritmalarının performansının iyileştirilmesi
Improving the performance of classification algorithms with discretization and optimization approaches
MOHAMMED HUSSEIN IBRAHIM IBRAHIM
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET HACIBEYOĞLU