Deep learning approaches for segmentation of biomedical images
Biyomedikal görüntülerin segmentasyonu için derin öğrenme yaklaşımları
- Tez No: 987257
- Danışmanlar: DOÇ. DR. ZAFER AYDIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Abdullah Gül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, biyomedikal görüntü segmentasyonunun tanısal süreçlerdeki kritik rolünden hareketle, derin öğrenme tabanlı modellerin potansiyelini üç farklı ve zorlu tıbbi alanda araştırmaktadır. Üç farklı klinik senaryoda yürütülen çalışmalarda, sırasıyla; intraoral kamera görüntülerinden mikrobiyal dental plak, MR görüntülerinden düşük dereceli glioma tümörler ve PET/BT görüntülerinden prostat bezi segmentasyonu gerçekleştirilmiştir. Her bir problem için derin öğrenme mimarileri ile klasik bilgisayarlı görü yöntemleri karşılaştırılmış; hiperparametre optimizasyonları yapılarak adil bir değerlendirme zemini oluşturulmuştur. Bulgular, derin öğrenme modellerinin her üç alanda da klasik yöntemlere ezici bir üstünlük sağladığını tutarlı bir şekilde göstermiştir. Özellikle, diş plağı segmentasyonunda U-Net Transformer modelinin, üç uzman diş hekiminden istatistiksel olarak anlamlı düzeyde daha başarılı sonuçlar elde etmesi, bu teknolojinin klinik potansiyelini vurgulamaktadır. Benzer şekilde, düşük dereceli glioma için UNet++ ve prostat segmentasyonu için Attention U-Net mimarileri en yüksek performansı sergilemiştir. Grad-CAM ve Saliency Map ile açıklanabilirlik teknikleri ile bu yüksek skor veren modellerin karar mekanizmalarının hedeflenen anatomik bölgelere doğru odaklandığı doğrulanmış ve modelleri, kara kutu algısının ötesine taşımıştır. Bu tez, farklı tıbbi görüntüleme modalitelerinde probleme özgü önerilen derin öğrenme çözümlerinin, hem otomasyonu sağlayarak verimliliği artırma hem de uzman performansını aşarak tanısal doğruluğu iyileştirme gücünü kanıtlamaktadır.
Özet (Çeviri)
Motivated by the crucial role of biomedical image segmentation in diagnostic workflows, this thesis investigates the potential of deep learning-based models across three distinct and challenging clinical domains. The study was conducted across three clinical scenarios; segmentation of microbial dental plaque from intraoral camera images, low grade glioma tumors from MR, and the prostate gland from PET/CT. For each task, deep learning models were rigorously compared against classic computer vision methods, with systematic hyperparameter optimization performed to ensure a fair evaluation ground. The findings consistently demonstrated the overwhelming superiority of deep learning models over classical methods across all three domains. Notably, the U-Net Transformer model achieved statistically significantly better results than three expert dentists in dental plaque segmentation, underscoring this technology's clinical potential. Similarly, the UNet++ and Attention U-Net architectures delivered the highest performance for low-grade glioma and prostate segmentation, respectively. Furthermore, explainable AI techniques, specifically Grad-CAM and Saliency Maps, confirmed that the decision mechanisms of these high-scoring models correctly focused on the targeted anatomical regions. This process has successfully moved the models beyond the black box perception. This thesis provides strong evidence that task-specific deep learning solutions across diverse medical imaging modalities can not only enhance diagnostic accuracy beyond expert-level performance but also improve clinical efficiency through automation and explainability.
Benzer Tezler
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Analysis of wound healing assay data of phasecontrast optical microscopy using traditional computer vision and deep learning techniques
Geleneksel bilgisayarda görü ve derin öğrenme teknikleri kullanılarak faz kontrast optik mikroskopi yara iyileşmesi deney verilerinin analizi
YUSUF SAİT ERDEM
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM ÜNAY
PROF. DR. BEHÇET UĞUR TÖREYİN
- Detection and classification of nuclei in histopathological images
Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması
ROAA SAFI ABED ALAH
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Novel methods for ned angle estimation using only azimuth measurements in electronic warfare systems
Elektronik harp sistemlerinde yalnızca yanca ölçümleriyle ned açı kestirimi için yeni yaklaşımlar
SERKAN UÇAN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Derin öğrenme kullanarak konik ışınlı bilgisayarlı tomografi görüntülerinde maksiller sinüs patolojilerinin otomatik tespiti, sınıflandırılması ve segmentasyonu
Automatic detection, classification and segmentation of maxillary sinus pathologies in cone-beam computed tomography images using deep learning
GHAZAL SAFARI SABERKASBAKHI
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriPamukkale ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÜSAME ÖZİÇ
DOÇ. DR. MELEK TAŞSÖKER BULUT