Üretken çekişmeli ağların (Gan) tıp alanındaki uygulamaları: Görüntü işleme ve tanı süreçlerinde Gan'ların rolü
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Dicle Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüz dünyasında en hızlı büyüyen alanlardan biri veri analizidir. Veri analizi, tıbbi uygulamalarda, yapay zekâ ve daha birçok alanda önemli sayıda araştırma ve geliştirmenin yolunu açmıştır. Toplanan veriler, gerekli sonuçların sağlanmasında çok önemli bir rol oynar ve kritik kararların ve tahminlerin alınmasına yardımcı olur. Ancak etik kısıtlamalardan dolayı bilim insanlarının verilere ulaşması zordur. Tıbbi görüntü veri setlerine erişilememesi sağlık alanında derin öğrenme çalışmalarını sınırlamaktadır. Üretken rakip ağlar (GAN'lar), gerçek görüntülerle karşılaştırılabilir verileri sentezleyerek bu boşluğu doldurabilir. GAN'lar, son yıllarda tıbbi görüntüleme ve tanı alanında ilgi gören ve derin öğrenme tekniklerini kullanarak veri kümesi içeriğini taklit eden üretken bir modelleme yaklaşımıdır. Vanilya GAN, görüntüleri sentezleyecek kadar uyumlu olmadığından varyantları geliştirilmiştir. Geliştirilen GAN varyantları TIP alanında; MR veya CT gibi tıbbi görüntüleme teknikleri ile elde edilen görüntülerin iyileştirilmesinde, nadir hastalıklarda mevcut ve sınırlı olan görüntü sayısını artırma sürecinde, nesne tanıma (tümör), sınıflandırma (alhzeimer) veya segmentasyon (lezyon) gibi tıbbi görüntüleme tekniklerinde ve nörolojik hastalıkların tanısı ve tahmini yönünde tıbbi uygulamalara destek vermektedir. Bu tez çalışmasında tıbbi görüntü işleme ve tanı sürecinde GAN modellerinden yararlanılmış ve Kaggle beyin veri seti görüntüleri referans alınmıştır. Cycle-GAN modeli ile MR görüntülerinden CT tarama görüntülerine ve CT tarama görüntülerden MR görüntülere sentezlenmesi kapsamında deneysel analizler gerçekleştirilmiş ve performansları nicel metrikler ile değerlendirilmiştir. Ayrıca MR görüntülerinden sahte örnek veriler oluşturmak amacıyla literatürde yaygın olarak kullanılan DCGAN, LSGAN ve WGAN modellerinin nitel ve nicel performansları karşılaştırılmıştır. Elde edilen sonuçların güvenilirliğini artırmak ve en iyi performansı elde etmek için yapılan deneyler GAN modellerinin farklı hiperparametreleri ile tekrarlanmış ve sonuçlar paylaşılmıştır. Sonuç olarak tıbbi görüntülerde kullandığımız Cycle-GAN, DCGAN, LSGAN ve WGAN modellerinde hiperparametrelerin değiştirilmesinin etkisi ve üretilen görüntülerin niceliksel sonuçlarla uyumluluğu rapor edilmiştir.
In today's world, one of the fastest-growing fields is data analysis. Data analysis has paved the way for significant research and development in medical applications, artificial intelligence, and many other areas. Collected data plays a critical role in providing the necessary results and aids in making critical decisions and predictions. However, due to ethical restrictions, it is difficult for scientists to access data. The inaccessibility of medical imaging datasets limits deep learning studies in the healthcare field. Generative Adversarial Networks (GANs) can fill this gap by synthesizing data comparable to real images. GANs are a generative modeling approach that has gained attention in recent years in the field of medical imaging and diagnosis, using deep learning techniques to fake dataset content. Variants of GANs have been developed because vanilla GAN is not sufficiently compatible to synthesize images. The developed GAN variants support medical applications in the field of medicine; improving images obtained with medical imaging techniques such as MR or CT, increasing the number of available and limited images in rare diseases, and supporting medical applications in object recognition (tumor), classification (alzheimer), or segmentation (lesion), and in the diagnosis and prediction of neurological diseases. In this thesis, GAN models were utilized in the medical image processing and diagnosis process, with reference to Kaggle brain dataset images. Experimental analyses were conducted and their performances evaluated with quantitative metrics in the context of synthesizing MR images from CT scan images and vice versa using the Cycle-GAN model. Additionally, the qualitative and quantitative performances of DCGAN, LSGAN, and WGAN models, which are commonly used in the literature to create synthetic sample data from MR images, were compared. To increase the reliability of the results and obtain the best performance, the experiments were repeated with different hyperparameters of the GAN models and the results were shared. As a result, the impact of changing hyperparameters in the Cycle-GAN, DCGAN, LSGAN, and WGAN models used in medical images and the compliance of the generated images with quantitative results were reported.
In today's world, one of the fastest-growing fields is data analysis. Data analysis has paved the way for significant research and development in medical applications, artificial intelligence, and many other areas. Collected data plays a critical role in providing the necessary results and aids in making critical decisions and predictions. However, due to ethical restrictions, it is difficult for scientists to access data. The inaccessibility of medical imaging datasets limits deep learning studies in the healthcare field. Generative Adversarial Networks (GANs) can fill this gap by synthesizing data comparable to real images. GANs are a generative modeling approach that has gained attention in recent years in the field of medical imaging and diagnosis, using deep learning techniques to fake dataset content. Variants of GANs have been developed because vanilla GAN is not sufficiently compatible to synthesize images. The developed GAN variants support medical applications in the field of medicine; improving images obtained with medical imaging techniques such as MR or CT, increasing the number of available and limited images in rare diseases, and supporting medical applications in object recognition (tumor), classification (alzheimer), or segmentation (lesion), and in the diagnosis and prediction of neurological diseases. In this thesis, GAN models were utilized in the medical image processing and diagnosis process, with reference to Kaggle brain dataset images. Experimental analyses were conducted and their performances evaluated with quantitative metrics in the context of synthesizing MR images from CT scan images and vice versa using the Cycle-GAN model. Additionally, the qualitative and quantitative performances of DCGAN, LSGAN, and WGAN models, which are commonly used in the literature to create synthetic sample data from MR images, were compared. To increase the reliability of the results and obtain the best performance, the experiments were repeated with different hyperparameters of the GAN models and the results were shared. As a result, the impact of changing hyperparameters in the Cycle-GAN, DCGAN, LSGAN, and WGAN models used in medical images and the compliance of the generated images with quantitative results were reported.
Açıklama
Anahtar Kelimeler
Derin öğrenme, Tıbbi görüntü işleme, GAN (Üretken Çekişmeli Ağlar), Tıbbi görüntü sentezleme, Metrikler, Deep learning, Medical image processing, Generative adversarial networks, Medical image synthesis, Metrics
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Olğaç, H. (2024). Üretken çekişmeli ağların (Gan) tıp alanındaki uygulamaları: Görüntü işleme ve tanı süreçlerinde Gan'ların rolü. Yayımlanmamış yüksek lisans tezi, Dicle Üniversitesi, Diyarbakır.
