Tez No	İndirme	Tez Künye	Durumu
738192		Derin öğrenme tabanlı gerçek zamanlı polip tespit yöntemlerinin geliştirilmesi ve incelenmesi / Development and investigation of deep learning based real-time polyp detection methods Yazar:İSHAK PAÇAL Danışman: PROF. DR. DERVİŞ KARABOĞA Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Kolon neoplazmları = Colonic neoplasms ; Parametre optimizasyonu = Parameter optimization ; Rektal neoplazmlar = Rectal neoplasms ; Tıbbi görüntüleme = Medical imaging	Onaylandı Doktora Türkçe 2022 184 s.
Kolorektal kanseri (KRK), dünya çapında en yaygın üçüncü kanser türüdür ve görülme sıklığı sürekli artmaktadır. Kolonoskopi, KRK taramasında altın standart olarak kabul edilir ve KRK'nın öncüsü olan poliplerin kanserli yapıya dönüşmeden anında çıkarılmasına olanak tanır. Klasik bilgisayar destekli teşhis (CAD) temelli otomatik polip tespit sistemleri gerçek zamanlı çalışma, duyarlılık, kesinlik ve özgüllük açısından yoksundur. Son zamanlarda, derin öğrenme mimarilerinin birçok alanda başarılı sonuçlar vermesiyle beraber otomatik polip tespitinde bu zorluklar aşılmıştır. Bu tez, otomatik polip tespitinde yaşanan zorlukların araştırılmasını ve katkıda bulunulması için derin öğrenme yaklaşımlarını ve optimizasyon algoritmalarını kullanarak klinikte uygulanabilecek bir CAD sistemi geliştirmiştir. Önerilen sistem, halka açık veri setlerinin yetersiz olmasından dolayı literatürde var olan bütün veri setlerinden daha büyük miktarda eşsiz polip ve görüntüsü içeren yeni bir veri seti sunuyor. YOLO nesne tespit algoritmaları temelli dört model polip tespiti için önerilmiştir. Yapay arı koloni (ABC) algoritması, YOLO algoritmalarına başarılı bir şekilde entegre edilerek aktivasyon fonksiyonu ve hiper-parametre optimizasyonunu gerçekleştirerek başarıma ciddi bir katkı sağlamıştır. Bunlara ek olarak, farklı veri artırma teknikleri, eğitim stratejileri ve özellik çıkarıcı yapılar kullanılarak sistemin başarısı optimal düzeye getirilmiştir. Bu yapıların entegrasyonu sonucu, gerçek zamanlı otomatik polip tanıma sistemi klinik seviyesinde performans göstermektedir. Anahtar Kelimeler: YOLO, ABC, Kolon kanseri, Kolorektal kanseri, Rektal kanseri, Derin öğrenme, Tıbbi görüntü işleme, Hiper-parametre optimizasyonu, Aktivasyon fonksiyonları optimizasyonu
Colorectal cancer (CRC) is the third most common type of cancer worldwide and its incidence is constantly increasing. Colonoscopy is considered the gold standard in CRC screening and allows the timely removal of polyps, which are the precursors of CRC, before they turn into cancerous structures. Conventional computer-aided detection (CAD)-based automated polyp detection systems lack real-time operation, sensitivity, precision, and specificity. Recently, these difficulties have been overcome in automatic polyp detection, with deep learning architectures giving successful results in many areas. This thesis has developed a clinically applicable CAD system using deep learning approaches and optimization algorithms to investigate and contribute to the challenges in automatic polyp detection. The proposed system introduces a new dataset containing a larger amount of unique polyps and images than any existing dataset in the literature due to the lack of publicly available datasets. Four models based on YOLO object detection algorithms have been proposed for polyp detection. Artificial bee colony (ABC) algorithm has been successfully integrated into YOLO algorithms, making a significant contribution to the success by performing activation function and hyper-parameter optimization. In addition to these, the success of the system has been optimized by using different data augmentation techniques, training strategies and feature extractor structures. As a result of the integration of these structures, the real-time automatic polyp detection system performs at the clinical level. Keywords: YOLO, ABC, Colon cancer, Colorectal cancer, Rectal cancer, Deep learning, Medical image processing, Hyper-parameter optimization, Activation functions optimization