Derin öğrenme, birden çok işleme katmanından oluşan hesaplama modellerinin, birden çok soyutlama düzeyi ile verilerin temsillerini öğrenmesine olanak tanır. Bu yöntemler, konuşma tanıma, görsel nesne tanıma, nesne algılama ve ilaç keşfi ve genomik gibi diğer birçok alanda en son teknolojiyi önemli ölçüde geliştirmiştir. En popüler derin sinir ağlarından biri evrişimsel sinir ağlarıdır. Son yıllarda, evrişim sinir ağlarına dayalı anlamsal segmentasyon, geleneksel görüntü segmentasyona göre önemli avantajlar göstermiş ve birçok görsel göreve başarıyla uygulanmıştır. Anlamsal segmentasyon, görüntüdeki her piksele bir etiket atama işlemidir. Bu işlem, tüm resme tek bir etiketin atandığı sınıflandırmanın tam tersidir. Anlamsal segmentasyon, aynı sınıftaki birden çok nesneyi tek bir varlık olarak ele alır. Bu tezde, çekirdek görüntü bölütleme ve tespiti için anlamsal segmentasyon yöntemi kullanılmıştır. Evrişimsel sinir ağlarına dayalı anlamsal segmentasyon, çekirdek görüntü bölütleme ve algılama için olağanüstü performans göstermiştir. Yöntemi test etmek için PSB 2015 kitle kaynaklı çekirdek veri setinden halka açık meme kanseri görüntüleri ve Kaggle 2018 Data Science Bowl veri seti kullanılmıştır. Doğruluk değerlendirmesi için gerçek negatif, gerçek pozitif, yanlış pozitif ve yanlış negatif hesaplayan karşılıklık matrisi kullanılmıştır. Ayrıca; Duyarlılık, Özgüllük, Jaccard Index, Dice, Kesinlik, Geri Çağırma ve F1 Puanı performans ölçekleri de kullanılmıştır. Yapılan deneyler sonucunda; PSB 2015 veri seti için; Duyarlılık, Özgüllük, Doğruluk, Jaccard, Dice, Kesinlik ve F1 Puanı için sırasıyla şu şekilde ortalama değerler elde edilmiştir: 0,9269; 0,7160; 0,851; 0,4855; 0,6434; 0,844 ve 0,6434. 2018 Data Science Bowl veri seti için çıktı sonuçları kesin referans görüntüleriyle karşılaştırılmış, buna göre Duyarlılık, Özgüllük, Doğruluk, Jaccard, Dice, Kesinlik ve F1 Puanı için sırasıyla şu şekilde ortalama değerler elde edilmiştir: 0,8719; 0,9881; 0,9768; 0,7715; 0,8632; 0,8843 ve 0,8632 değerleri elde edilmiştir. Sonuç olarak, literatürde önerilen diğer yöntemlere göre yüksek performansa sahip olduğu gösterilmiştir.
|
Deep learning allows computational models consisting of multiple processing layers to learn representations of data with multiple levels of abstraction. These methods have significantly advanced cutting-edge technology in speech recognition, visual object recognition, object detection and many other fields such as drug discovery and genomics. One of the most popular deep neural networks is convolutional neural networks. In recent years, semantic segmentation based on convolutional neural networks has shown significant advantages over traditional image segmentation and has been successfully applied to many visual tasks. Semantic segmentation is the process of assigning a label to each pixel in the image. This is the opposite of classification, where a single tag is assigned to the entire image. Semantic segmentation treats multiple objects of the same class as a single entity. In this thesis, semantic segmentation method is used for core image segmentation and detection. Semantic segmentation based on convolutional neural networks has shown outstanding performance for kernel image segmentation and detection. Publicly available breast cancer images from the PSB 2015 crowdsourced core dataset and the Kaggle 2018 Data Science Bowl dataset were used to test the method. The complexity matrix, which calculates true negative, true positive, false positive and false negative, was used for accuracy assessment. Also; Sensitivity, Specificity, Jaccard Index, Dice, Precision, Recall, and F1 Score performance scales were also used. As a result of the experiments; the average values of Sensitivity, Specificity, Accuracy, Jaccard, Dice, Precision and F1 Score were obtained as follows, respectively: 0.9269; 0.7160; 0.851; 0.4855; 0.6434; 0.844 and 0.6434. The output results for the 2018 Data Science Bowl dataset were compared with the exact reference images, and the average values of Sensitivity, Specificity, Accuracy, Jaccard, Dice, Precision, and F1 Score, respectively, were obtained as follows: 0.8719; 0.9881; 0.9768; 0.7715; 0.8632; 0.8843 and 0.8632 values have been obtained. As a result, it has been shown to have higher performance than other methods suggested in the literature. |