Cascaded hybrid deep architecture for end-to-end high-quality and scalable medical image compression
Uçtan uca yüksek kaliteli ve ölçeklenebilir tıbbi görüntü sıkıştırma için basamaklı hibrit derin mimari
- Tez No: 980293
- Danışmanlar: DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Tıbbi görüntü sıkıştırma, Derin öğrenme, Hibrit model, SDAE, Medical image compression, Deep learning, Hybrid model, SDAE
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijital sağlık çağında, tıbbi görüntüleme verilerinin üstel büyümesi depolama, iletim ve tanısal doğruluk açısından önemli zorluklar ortaya çıkarmaktadır. Geleneksel görüntü sıkıştırma teknikleri, tıbbi görüntülere uygulandığında yetersiz kalmakta; en küçük bozulmalar bile tanı doğruluğunu tehlikeye atabilmektedir. Bu tez, özellikle tıbbi görüntüleme uygulamaları için tasarlanmış yeni bir hibrit derin öğrenme tabanlı görüntü sıkıştırma çerçevesi önermektedir. Önerilen model; mekânsal doku çıkarımı için Gri-Seviye Eş-Oluşum Matrisi (GLCM), bölge tabanlı segmentasyon için K-means kümeleme ve çok çözünürlüklü ayrışım için Durağan Dalgalet Dönüşümü (SWT) gibi klasik teknikleri, verimli ve algısal olarak farkındalıklı sıkıştırma sağlamak amacıyla Yığılmış Gürültü Giderici Otokodlayıcı (SDAE) ile bütünleştirmektedir. Piksel düzeyinde doğruluk ve algısal kaliteyi en üst düzeye çıkarmak için Ortalama Kare Hatası (MSE) ve Yapısal Benzerlik İndeksi (SSIM) bileşiminden oluşan özel bir kayıp fonksiyonu kullanılmaktadır. Önerilen model, NIH Chest X-ray, INBreast ve Camelyon16 dahil olmak üzere çeşitli tıbbi veri kümeleri üzerinde değerlendirilmiş; geleneksel ve en güncel derin öğrenme yöntemleriyle kıyaslanmıştır. Deneysel sonuçlar, önerilen çerçevenin mevcut tekniklerden üstün olduğunu göstermekte; 50.36 dB PSNR, 0.9964 SSIM, 0.9999 MS-SSIM ve 0.6677 bit-başına-piksel (BPP) değerlerine ulaşarak hem bit-hata oranı/verimlilik açısından hem de algısal doğrulukta tüm karşılaştırmalı modelleri geride bırakmaktadır. Nitel analizler, yüksek sıkıştırma oranlarında bile tanı açısından kritik bölgelerin korunmasında iyileştirilmiş başarıyı doğrulamaktadır. Kapsamlı ablation çalışmaları, hibrit bileşenlerin (GLCM, K-means, SWT) her birinin genel model etkinliğine katkısını ortaya koymaktadır. Bu çalışma, mevcut yöntemlerdeki temel sınırlamaları ele alarak yüksek kaliteli tıbbi görüntü sıkıştırma için ölçeklenebilir, genelleştirilebilir ve klinik olarak uygulanabilir bir çözüm sunmakta; gelecekteki açıklanabilir ve uyarlanabilir sıkıştırma stratejilerine zemin hazırlamaktadır.
Özet (Çeviri)
In the era of digital healthcare, the exponential growth of medical imaging data poses significant challenges in terms of storage, transmission, and diagnostic fidelity. Traditional image compression techniques often fall short when applied to medical images, where even minor distortions can compromise diagnostic accuracy. This thesis proposes a novel hybrid deep learning-based image compression framework specifically tailored for medical imaging applications. The proposed model integrates classical techniques—Gray-Level Co-occurrence Matrix (GLCM) for spatial texture extraction, K-means clustering for region-based segmentation, and Stationary Wavelet Transform (SWT) for multiresolution decomposition—with a Stacked Denoising Autoencoder (SDAE) to achieve efficient and perceptually aware compression. A custom loss function combining Mean Squared Error (MSE) and Structural Similarity Index Measure (SSIM) is employed to optimize both pixel-wise fidelity and perceptual quality. The proposed model is evaluated across multiple medical datasets, including NIH Chest X-ray, INBreast, and Camelyon16, and benchmarked against conventional and state-of-the-art deep learning methods. Experimental results demonstrate that the proposed framework outperforms existing techniques, achieving a PSNR of 50.36 dB, SSIM of 0.9964, MS-SSIM of 0.9999, and a bit-per-pixel (BPP) of 0.6677—surpassing all compared models in both rate-distortion efficiency and perceptual fidelity. Qualitative analysis confirms enhanced preservation of diagnostically critical regions under high compression ratios. Extensive ablation studies validate the contribution of each hybrid component (GLCM, K-means, SWT) to overall model efficacy. This work offers a scalable, generalizable, and clinically viable solution for high-quality medical image compression, addressing key limitations in current methods and paving the way for future developments in explainable and adaptive compression strategies.
Benzer Tezler
- Dijital ikiz uygulamaları için aileron hidrolik aktüatör sisteminin hibrit modellemesi
Hybrid modeling of an aileron hydraulic actuator system for digital twin applications
ADNAN BERAT YILMAZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEVİL ŞEN AKAGÜNDÜZ
- Derin öğrenmeye dayalı yüz tanıma
Face recognition based on deep learning
RECEP POYRAZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALDUN SARNEL
- İnsansız araç sistemlerinin matematiksel modellenmesi ve kontrol algoritmalarının geliştirilmesi
Mathematical modeling of unmanned vehicle systems and development of control algorithms
SERKAN BUDAK
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL SUNGUR
PROF. DR. AKİF DURDU
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- GSM baz istasyonlarının sürdürülebilir enerji ihtiyacı için taşınabilir radyoizotop termoelektrik jeneratör (RTG) tasarımı
Sustainable GSM base station energizing using portable radioisotope thermoelectric generator (RTG) design
ERDEM HAYAT
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiNükleer Araştırmalar Ana Bilim Dalı
PROF. DR. İSKENDER ATİLLA REYHANCAN