A new loss function to be used in deep networks for image segmentation of colorectal polyps
Kolorektal poliplerin görüntü bölütlemesi için derin ağlarda kullanılacak yeni bir kayıp fonksiyonu
- Tez No: 789900
- Danışmanlar: PROF. DR. MEHMET KUNTALP
- Tez Türü: Doktora
- Konular: Gastroenteroloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Tıbbi Biyoloji, Gastroenterology, Computer Engineering and Computer Science and Control, Medical Biology
- Anahtar Kelimeler: Bölütleme, Görüntü bölütleme, Kayıp fonksiyonu, Sinir ağları, Segmentation, Image segmentation, Loss function, Nerve net
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Teknolojiler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Poliplerin geç saptanması sonucunda kolorektal kanserler ortaya çıkabilmektedir. Kolonoskopistler, eksizyonel biyopsi ile polipleri çıkarmak için bir kolonoskopi cihazı kullanır. Bu çalışmanın amacı, klinik uygulamaya katkı niteliğinde bir polip bölütleme modeli sağlayan bir web uygulaması geliştirmektir. Polip segmentasyonu için, derin sinir ağlarında hem dengesiz veri setinin hem de kaybolan gradyan probleminin üstesinden gelmek için kullanılmak üzere yeni bir dengesizlik farkındalıklı kayıp fonksiyonu, yani her şeyi kapsayan kayıp geliştirilmiştir. Yeni bir fonksiyon geliştirmenin ikinci önemli nedeni, bölge bazlı, şekle duyarlı ve piksel bazında dağıtım kaybı yaklaşımlarının değerlendirme yeteneklerine sahip daha kapsamlı bir fonksiyonunu bir kerede üretebilmektir. Bunu yapmak için, bir algoritma karmaşıklığını tanımlamanın temsili bir parametresi olarak her biri saniyede farklı kayan nokta işlemine (FLOPS) sahip iki farklı evrişimsel sinir ağı (CNN) ele alınmıştır. İlk olarak, kodlayıcı olarak ResNet18 ve kod çözücü olarak bir UNet gerçekleştirilmiştir. İkinci olarak, kodlayıcı olarak 34 katmanlı bir artık ağ ve kod çözücü olarak bir UNet tasarlanmıştır. Her iki CNN mimarisi için, popüler dengesizlik farkında kayıpları kullanmanın sonuçları, önerilen yeni kayıp fonksiyonumuzu kullanmanın sonuçlarıyla karşılaştırılmıştır. Eğitim, 5 katlamalı çapraz doğrulama ve test adımları için, erişime açık birden çok veri kümesi kullanılmıştır. Bu veri kümelerindeki orijinal verilere ek olarak, çevirme, ölçekleme, döndürme ve kontrast sınırlı uyarlanabilir histogram eşitleme işlemleriyle bunların artırılmış örnekleri de oluşturulmuştur. Arttırılmış örnek veriler hem eğitim hem de doğrulama aşamasında kullanılırken, orijinal görülen veri kümeleri test aşamasında işlenmiştir. Sonuç olarak, önerilen yeni özel kayıp fonksiyonumuz, popüler kayıp işlevleriyle karşılaştırıldığında en iyi performans ölçümlerini üretmiştir.
Özet (Çeviri)
Colorectal cancers may occur as a result of late detection of polyps. Colonoscopists use a colonoscopy device to remove polyps by excisional biopsy. The aim of this study is to develop a web application that provides a polyp segmentation model that contributes to the clinical application. For polyp segmentation, a new imbalance-aware loss function, i.e. omni-comprehensive loss, has been developed to be used in deep neural networks to overcome both imbalanced datasets and the vanishing gradient problem. The second crucial reason for developing a new loss function is to be able to produce a more comprehensive one with the evaluation capabilities of region-based, shape-sensitive and pixel-wise distribution loss approaches at once. To do this, two different convolutional neural networks (CNNs) have been implemented, each with different floating point operations per second (FLOPS) that is a representative parameter to identify an algorithm complexity. First, ResNet18 as the encoder and a UNet as the decoder is implemented. Second, a 34-layer residual network is designed as the encoder and a UNet as the decoder is designed. For both CNN architectures, the results of using the popular imbalance-aware losses are compared with the results of using our new proposed loss function. Multiple publicly available datasets are used for training, 5-fold cross validation, and testing steps. In addition to the original data in these datasets, augmented versions of these datasets have also been generated by flipping, rotating and contrast-limited adaptive histogram equalization operations. While the augmented samples are used both in the training and validation phases, the original datasets are tackled in the testing phase. While the augmented samples are used both in the training and validation phases, the original datasets are tackled in the testing phase. As a result, our proposed new custom loss function produced the best performance metrics compared to the popular loss functions.
Benzer Tezler
- A comparison of loss functions in deep embedding
Derin gömme yitim fonksiyonlarının karşılaştırılması
CENK BİRCANOĞLU
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NAFİZ ARICA
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- New automatic (IDS) in IoTs with artificial intelligence techniques
Başlık çevirisi yok
ALAA FIRAS JASIM JASIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Heart failure detection with deep networks based on electrocardiography and impedance cardiography signals
Kalp yetersizliğinin elektrokardiyografi ve empedans kardiyografi işaretleri kullanılarak derin ağlara dayalı tespiti
ŞEVKET GÜNDÜZ
Yüksek Lisans
İngilizce
2022
KardiyolojiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CABİR VURAL
PROF. DR. ALİ SERDAR FAK
- Transforming feedback control systems on whiteboard into Matlab via a deep learning based intelligent system
Derin öğrenme tabanlı akıllı bir sistem ile beyaz tahtadaki geribeslemeli kontrol sistemlerinin Matlab ortamına aktarılması
DORUKHAN ERDEM
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR