Geri Dön

Deep learning based adaptive resizing of high resolution images for improved segmentation performance

Gelişmiş segmentasyon performansı için yüksek çözünürlüklü görüntülerin derin öğrenme tabanlı uyarlanabilir yeniden boyutlandırılması

PDF İndir

  1. Tez No: 947528
  2. Yazar: EKREM FİDAN
  3. Danışmanlar: DOÇ. DR. ABDURRAHMAN GÜMÜŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Görüntü bölütleme, Görüntü işleme, Örüntü sınıflama, Image segmentation, Image processing, Pattern classification
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İzmir Yüksek Teknoloji Enstitüsü
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yüksek çözünürlüklü tıbbi görüntülerin derin öğrenme modelleri için küçültülmesi, geleneksel yeniden boyutlandırma yöntemleriyle bilgi kaybı nedeniyle tanısal doğruluğu sıkça tehlikeye atmaktadır. Bu tez, tıbbi görüntü analizini geliştirmek için uyarlanabilir yeniden boyutlandırma tekniklerini araştırmakta ve ilerletmektedir. Başlangıç çalışmaları, CRAG veri seti üzerinde kolorektal bezi segmentasyonu için mevcut bir uyarlanabilir yeniden boyutlandırıcının bilineer interpolasyona göre üstünlüğünü doğrulamış, Kesişim üzeri Birleşim (IoU) oranını %8.2'ye kadar artırmıştır. Bu bulgular üzerine inşa edilen temel katkı, altı yeni uyarlanabilir yeniden boyutlandırıcı mimarisinin geliştirilmesi ve titiz bir şekilde değerlendirilmesidir. Bunlar, hem segmentasyon/sınıflandırma performansını hem de hesaplama verimliliğini optimize etmek için tasarlanmıştır. Önerilen yeniden boyutlandırıcılar, Yüksek Çözünürlüklü Fundus (HRF) veri seti kullanılarak retina damar segmentasyonunda ve Hint Diyabetik Retinopati Görüntü Veri Seti (IDRiD) ile diyabetik retinopati sınıflandırmasında test edilmiştir. Deneysel sonuçlar, önerilen mimarilerin genellikle mevcut yöntemlerden daha iyi performans gösterdiğini ortaya koymaktadır. Segmentasyon için, 'Resizer MFY' bilineer interpolasyona göre ortalama IoU artışında +%.21.04 ile en yüksek performansı elde etmiştir. Sınıflandırmada, 'Resizer A2' bilineere göre ortalama F1 skorunda +%.22.39 artışla en etkili olduğunu kanıtlamıştır. Kritik olarak, 'Minimal V1' mimarisi, yeni uyarlanabilir yeniden boyutlandırıcılar arasında sürekli olarak en düşük hesaplama yükünü göstermiştir. Orijinal uyarlanabilir yeniden boyutlandırıcı da dahil olmak üzere diğer uyarlanabilir yöntemlere göre önemli ölçüde daha hafifken, dikkate değer performans iyileştirmeleri sunmaktadır. Bu araştırma, bu yeni uyarlanabilir yeniden boyutlandırıcıların tıbbi görüntülemede derin öğrenme modeli doğruluğunu önemli ölçüde artırabildiğini başarılı bir şekilde göstermektedir. Çalışma, özel olarak tasarlanmış, hesaplama açısından dikkate değer çözümler sunarak, analiz ardışık düzeninde yeniden boyutlandırma stratejisinin önemini vurgulamakta ve daha etkili tanı araçlarının önünü açmaktadır.

Özet (Çeviri)

Downsampling high-resolution medical images for deep learning models often compromises diagnostic accuracy due to information loss with traditional resizing methods. This thesis explores and advances adaptive resizing techniques to enhance medical image analysis. Initial work affirmed the superiority of an existing adaptive resizer over bilinear interpolation for colorectal gland segmentation on the CRAG dataset, improving Intersection over Union (IoU) by up to 8.2%. Building on this, the primary contribution is the development and rigorous evaluation of six novel adaptive resizer architectures. These were designed to optimize both segmentation/classification performance and computational efficiency. The proposed resizers were tested on retinal vessel segmentation using the High-Resolution Fundus (HRF) dataset and diabetic retinopathy classification with the Indian Diabetic Retinopathy Image Dataset (IDRiD). Experimental results show the proposed architectures generally surpass existing methods. For segmentation, 'Resizer MFY' achieved the highest average IoU increase of +21.04% over bilinear interpolation. In classification, 'Resizer A2' proved most effective, with an average F1-score increase of +22.39% over bilinear. Critically, the 'Minimal V1' architecture consistently demonstrated the lowest computational overhead among the novel adaptive resizers. It offers significant performance improvements while being considerably more lightweight than other adaptive methods, including the original adaptive resizer. This research successfully demonstrates that these new adaptive resizers can significantly improve deep learning model accuracy in medical imaging. The work provides tailored, computationally considerate solutions, highlighting the importance of the resizing strategy in the analysis pipeline and paving the way for more effective diagnostic tools.

Benzer Tezler

  1. Tez No

    949334

    Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma

    Multi-class classification for skin lesions using deep learning techniques

    ÜMMÜHAN KOPAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜRVET KIRCI

  2. Tez No

    951233

    Önerilen evrişimli sinir ağı kullanılarak metal plakaların yüzey kusur tespiti

    Surface fault detection of metal plates using proposed convolutional neural network

    MOHAMMED KHALED NAJI SALEH AL-DHAHERI

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mekatronik MühendisliğiErciyes Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN YILDIRIM

  3. Tez No

    783665

    Dimension decoupled region proposal network forobject detection

    Nesne tespiti için boyutları ayrılmış bölge öneri ağı

    MEHMET CAN BAYTEKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. SEVGİ ÖZKAN YILDIRIM

    DR. ÖĞR. ÜYESİ YÜCEL ÇİMTAY

  4. Tez No

    766008

    An adaptive admittance controller for collaborative drilling with a robot based on subtask classification via deep learning

    Delik delme görevleri için derin öğrenme kullanarak altgörevlerin sınıflandırılması ve buna uygun uyarlamalı bir admitans kontrolcü geliştirilmesi

    POUYA POURAKBARIAN NIAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Makine MühendisliğiKoç Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ÇAĞATAY BAŞDOĞAN

    DR. ÖĞR. ÜYESİ YUSUF AYDIN

  5. Tez No

    860977

    IMU verileriyle derin öğrenme tabanlı hareket tanıma ve adaptif kayan kipli kontrollü protez ayak tasarımı

    Deep learning based motion recognition and adaptive sliding mode controlled prosthetic foot design with IMU data

    SELİN AYDIN FANDAKLI

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİL İBRAHİM OKUMUŞ

Geri Dön