Uzamsal ön işleme yöntemleri ve siyam sinir ağları kullanılarak biyomedikal görüntülerde morfolojik bozuklukların sınıflandırılmas
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: MUSTAFA CEBECİ
Danışman: Hamza Osman Ilhan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Erkek bireylerde kısırlık hastalığının teşhisi için sperm görüntülerinin analiz edilmesi önem taşımaktadır. Sperm görüntülerinin analizinde derin öğrenme yöntemleri de kullanılmaktadır. Bu çalışmada öncelikle sperm veri setlerine uzamsal ön işleme yöntemleri uygulanmış. Daha sonra ise sperm veri setlerini sınıflandırmak amacıyla Siyam Sinir Ağları'nın kullanımı incelenmiştir. Makine öğrenmesi ve derin öğrenme tabanlı görüntü sınıflandırma çalışmalarında farklı renk uzaylarının ve uzamsal birleştirme yöntemlerinin kullanımı sınıflandırma performansını artırmak için uygulanan ön işleme yöntemleridir. Bu çalışmada da ön işleme adımı olarak bu yöntemler kullanılmıştır. Öncelikle RGB renk paletine sahip orijinal görüntüler LAB, HSV ve YCbCr olmak üzere 3 farklı renk uzayına dönüştürülmüş daha sonra ise bu renk uzaylarına sahip görüntüler uzamsal olarak birleştirilmiştir. Uzamsal birleştirme yöntemi ile gerçekleştirilen sınıflandırmada \%82.0'luk başarım oranına erişilmiş ve sınıflandırma performansında RGB renk uzayına göre bir artış gerçekleşmiştir. Ön işleme adımından sonra ise Siyam Sinir Ağları'nın kullanımı incelenmiştir. Makine öğrenmesi ve derin öğrenme modelleri sperm morfoloji analizinde belirli bir noktaya kadar başarılı sonuçlar vermektedir. Aynı şekilde derin öğrenmenin bir alt dalı olan Evrişimli Sinir Ağları(ESA) da belirli bir noktaya kadar başarılı sonuçlar vermekte ancak düşük veri sayısına sahip veri setlerinde istenilen başarım oranlarına ulaşamamaktadır. ESA'nın bir türü olan SSA ise az görüntü içeren veri setlerindeki bu performans sorununa yenilikçi bir çözüm sunmaktadır. Ana amaç, giriş çiftleri arasındaki benzerlik veya farklılıkları belirlemek için bir uzaklık fonksiyonu öğrenmektir. Siyam Sinir Ağları'nın temel yapısı ve çalışma prensibi şu şekildedir: İkiz ağlar, aynı yapıya ve ağırlıklara sahip iki alt ağdır ve her biri bir giriş görüntüsünü işler ve yüksek boyutlu bir özellik vektörüne dönüştürür. Özellik karşılaştırma aşamasında, giriş çiftlerinden elde edilen özellik vektörleri karşılaştırılır. Bu genellikle L1 veya L2 normları gibi mesafe ölçütleri kullanılarak yapılır. Kayıp fonksiyonu olarak karşılaştırmalı kayıp fonksiyonu yaygın olarak kullanılır. Siyam Sinir Ağları sperm veri setleri üzerinde ilk defa bu çalışmada denenmiştir. Bu çalışmada da "Adamax", "RMSProp", "SGD" optimizasyon yöntemlerinin; çeşitli öğrenme oranlarının ve önceden eğitilmiş EfficientNetB4 ve EfficientNetB3 modellerinin HuSHeM ve SMIDS veri setlerinde performansları elde edilmiştir. En iyi sınıflandırma performansına önceden eğitilmiş EfficientNetB4 modeli, RMSProp optimizasyon yöntemi ve 0.01 öğrenme oranı ile 5 kat arttırılmış HuSHeM veri seti üzerinde ulaşılmış olup bu başarım oranı \%89.92'dir. SMIDS veri seti üzerinde ise en iyi sınıflandırma performansına EfficientNetB4 modeli, RMSProp optimizasyon fonksiyonu ve 0.01 öğrenme oranı ile Orijinal SMIDS veri setinde \%85.71 başarım oranı ile ulaşılmıştır. Uzamsal birleştirme yöntemi ile gerçekleştirilen sınıflandırmada ise \%82.0'luk başarım oranına erişilmiştir.