Değiştirilmiş U-Net modeli ile biyomedikal görüntü segmentasyonu
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Dicle Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Görüntü segmentasyonu, görüntü işleme ve bilgisayarlı görmede önemli bir alandır. Görüntü segmentasyonu alanında derin öğrenme yöntemlerinin kullanılması ise özellikle Biyomedikal ve tıbbi alanlardaki uzmanlara yardımcı olacak yöntemlerin geliştirilmesinde, var olan yöntemlerdeki zamandan ve maliyetten tasarruf sağlama konusunda hayati bir rol oynar. Derin öğrenmeyi kullanan görüntü segmentasyonu modelleri arasında yer alan önemli yöntemlerden biri U-Net modelidir. U-Net modeli birçok çalışmaya ilham kaynağı olmuş ve evrişimsel sinir ağlarının gelişmesinde faydalı bir model olmuştur. Zaman içerisinde U-Net modelinde farklılıklar oluşturularak U-Net modelinden daha başarılı yöntemler geliştirilmiştir. Bu çalışmada 11 evrişimli katman kullanan ve segmentasyon performansını artırmak için bazı değişiklikler getiren yeni bir U-Net varyantı olan U-Net11'i öneriyoruz. Klasik U-Net modeli geliştirilmiş ve üç farklı veri kümesi üzerinde test edilerek klasik U-Net modelinden daha iyi performans göstermiştir. Önerilen yöntem: Hücre dokularından elde edilen meme kanserli hücre segmentasyonu, bilgisayarlı tomografi görüntülerinden elde edilen akciğer segmentasyonu ve Data Science Bowl 2018 yarışmasından elde edilen hücre çekirdeği segmentasyonu veri kümeleri için değerlendirilmiştir. Bu veri kümeleri, değişen görüntü miktarları ve segmentasyon görevlerindeki değişen zorluk seviyeleri nedeniyle önem içermektedir. Katman farkını gözlemleyebilmek için Klasik U-Net'e katman ekleme-çıkarma işlemi yapılarak U-Net-7, U-Net-13 modelleri geliştirilmiş ve önerilen model ile olan farkı kıyaslanmıştır. Değiştirilmiş U-Net modeli: Hücre dokularından elde edilen meme kanserli hücre segmentasyonu veri kümesinde %69,09, bilgisayarlı tomografi görüntülerinden elde edilen akciğer segmentasyonu veri kümesinde %95,02 ve doku görüntüsünden hücre çekirdeği segmentasyonu veri kümesinde %81,10 DSC puanları elde ederek klasik U-Net modelinden sırasıyla %5, %2 ve %4 oranında daha yüksek bir başarı göstermiştir. Başarı oranlarındaki bu fark özellikle biyomedikal mühendisliği ve tıp alanlarındaki kritik segmentasyon veri kümeleri için büyük öneme sahiptir ve model geliştirilerek daha başarılı sonuçlar elde ederek bu alanlarda büyük tasarruflar sağlayabilir.
Image segmentation has a very significant place in image processing and machine vision. Exclusively, it plays a vital role to improvement of models to help specialist in biomedical and medical areas, saving time and cost in existing methods. Among the most significant image segmentation models utilize deep learning at U-Net model. U-Net model has motivated numerous studies and has been a useful model in development of convolutional neural networks. Scope of the report, we suggest a new version of U-Net, U-Net 11, which utilizes 11 convolutional layers and assert a few modifies to ameliorate to segmentation accuracy. The standard U-Net method was ameliorated and checked on three types of datasets and outperformed the standard U-Net model. U-Net 11 model: Breast tumor cell segmentation from cell tissues, lung tumor segmentation from CT scan figures and cell nucleus segmentation at the Data Science Bowl 2018 rivalry. Abovementioned datasets are significant owing to their alteration quantity of images and changing levels of challenges in segmentation tasks. On the purpose of observe the layer variation, U-Net 13 and U-Net 7 models are generated by adding and removing layers to standard U-Net and compared with the suggested method. A modified U-Net model: 69.09%, 95.02%, and 81.10% DSC accuracy on the breast cancer cell segmentation dataset derived from cell tissues, lung segmentation dataset obtained from computed tomography images, and cell nucleus segmentation dataset obtained from tissue images, which are respectively 5%, 2%, and 4% higher besides standard U-Net model. This variation in accuracy rates is especially important for critical segmentation datasets in biomedical engineering and medicine, and model can be improved to achieve more successful results, leading to significant savings in these fields.
Image segmentation has a very significant place in image processing and machine vision. Exclusively, it plays a vital role to improvement of models to help specialist in biomedical and medical areas, saving time and cost in existing methods. Among the most significant image segmentation models utilize deep learning at U-Net model. U-Net model has motivated numerous studies and has been a useful model in development of convolutional neural networks. Scope of the report, we suggest a new version of U-Net, U-Net 11, which utilizes 11 convolutional layers and assert a few modifies to ameliorate to segmentation accuracy. The standard U-Net method was ameliorated and checked on three types of datasets and outperformed the standard U-Net model. U-Net 11 model: Breast tumor cell segmentation from cell tissues, lung tumor segmentation from CT scan figures and cell nucleus segmentation at the Data Science Bowl 2018 rivalry. Abovementioned datasets are significant owing to their alteration quantity of images and changing levels of challenges in segmentation tasks. On the purpose of observe the layer variation, U-Net 13 and U-Net 7 models are generated by adding and removing layers to standard U-Net and compared with the suggested method. A modified U-Net model: 69.09%, 95.02%, and 81.10% DSC accuracy on the breast cancer cell segmentation dataset derived from cell tissues, lung segmentation dataset obtained from computed tomography images, and cell nucleus segmentation dataset obtained from tissue images, which are respectively 5%, 2%, and 4% higher besides standard U-Net model. This variation in accuracy rates is especially important for critical segmentation datasets in biomedical engineering and medicine, and model can be improved to achieve more successful results, leading to significant savings in these fields.
Açıklama
Anahtar Kelimeler
Biyomedikal görüntü segmentasyonu, Derin öğrenme, U-Net, Image segmentation, Deep learning, Biomedical image
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Tatli, U. (2024). Değiştirilmiş U-Net modeli ile biyomedikal görüntü segmentasyonu. Yayımlanmamış yüksek lisans tezi, Dicle Üniversitesi, Diyarbakır.
