Deep learning analysis in dermoscopy images
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Galatasaray Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR BİLİMLERİ VE MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: İngilizce
Öğrenci: FATİH ERGİN
Danışman: İsmail Burak Parlak
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bilgisayar destekli radyoloji, matematik, tıp ve mühendislik arasında disiplinlerarası bir alan haline gelmiştir. Tümör tespiti, analizi ve sınıflandırması, tanı ve takip için dijital radyolojideki temel problemlerdendir. Bir doktor veya onkolog, şüpheli lezyonların patolojisini analiz eden in situ karsinomun detaylı raporlarını dikkate alarak hastaların bakımında yer alır. Tıpta çeşitli alanlara uygulanan derin öğrenme, onkolojiye bir müdahale olarak kabul edilir. Rezeksiyon durumunda lezyonun son tedavisine onkologlar veya cerrahlar karar verse bile, görüntü temelli lezyon (iyi huylu veya kötü huylu) analizi, radyolojide otomatik karar vermeyi vaat eder. Son yıllarda makine öğrenimi tekniklerinin insan algısı için anlamsız olabilecek verileri anlamlı hale dönüştürme yeteneğinin artmasıyla beraber, görüntü analizi için kullanılan derin öğrenme teknikleri, son yıllarda hekimlere yardımcı olan önemli bir araç haline gelmiştir. Deri lezyonlarının saptanması ve sınıflandırılması tıbbi görüntü analizinde güncel zorluklardandır. Lezyonlar arasındaki benzerlik ve lezyonlar ile cilt arasındaki düşük kontrast nedeniyle cilt hastalıklarını tanımak zordur. Dermatolojik görüntü işleme, doktorların doğru tanı koymasına yardımcı olmak için bu teknolojiyle, özellikle cilt lezyonlarının teşhisiyle ilgili olan kısmına yoğun ilgi göstermektedir. Bu tez, U-Net, bir generatif adversial ağ (GAN) türevi olan SegAN ve MultiResUNet gibi son teknoloji derin öğrenme yaklaşımlarıyla cilt tümörü içeren dermatoskopik görüntüleri kullanarak cilt lezyonu analiz problemlerini çözmede yol göstermeyi amaçlayan bir karşılaştırma sunmaktadır. SegAN, klasik CNN'lerden farklı olarak derin öğrenme modeline üretici ve ayırıcı adımlar ekleyerek yeni bir mimari sunmuştur. MultiResUNet, medikal görüntüleme alanının temel sorunlarından biri olan yetersiz veri problemini bağlamsal detayları az veriden başarılı bir şekilde çıkararak aşmayı amaçlayan bir derin sinir ağı mimarisidir. Bu makalede, U-Net, SegAN ve MultiResUNet mimarileri Uluslararası Biyomedikal Görüntüleme Sempozyumu (ISBI) 2017 Yarışması'ndan alınan iki boyutlu cilt lezyonu görüntüleri üzerine uygulanmıştır. Ön işlemeden sonra, renkli görüntüler hem SegAN da hem de MultiResUNet'te eğitilmiştir. Deney düzeneği, model eğitimi öncesinde tümör görüntülerine artımlı gürültü eklenerek zenginleştirilmiştir. Değerlendirme; doğruluk, duyarlılık, özgüllük, Dice katsayısı ve Jaccard katsayısı parametreleri ile yapılmıştır. Sonuç olarak, test sonuçları hem SegAN hem de MultiResUNet mimarilerinin cilt lezyonu analizinde, farklı gürültü oranlarında tutarlı bir yaklaşım sağladığını ve U-Net mimarisine göre daha başarılı olduklarını göstermiştir.