Tez No	İndirme	Tez Künye	Durumu
789900		A new loss function to be used in deep networks for image segmentation of colorectal polyps / Kolorektal poliplerin görüntü bölütlemesi için derin ağlarda kullanılacak yeni bir kayıp fonksiyonu Yazar:MAHMUT OZAN GÖKKAN Danışman: PROF. DR. MEHMET KUNTALP Yer Bilgisi: Ege Üniversitesi / Fen Bilimleri Enstitüsü / Biyomedikal Teknolojiler Ana Bilim Dalı / Biyomedikal Teknolojiler Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Gastroenteroloji = Gastroenterology ; Tıbbi Biyoloji = Medical Biology Dizin:	Onaylandı Doktora İngilizce 2023 65 s.
Poliplerin geç saptanması sonucunda kolorektal kanserler ortaya çıkabilmektedir. Kolonoskopistler, eksizyonel biyopsi ile polipleri çıkarmak için bir kolonoskopi cihazı kullanır. Bu çalışmanın amacı, klinik uygulamaya katkı niteliğinde bir polip bölütleme modeli sağlayan bir web uygulaması geliştirmektir. Polip segmentasyonu için, derin sinir ağlarında hem dengesiz veri setinin hem de kaybolan gradyan probleminin üstesinden gelmek için kullanılmak üzere yeni bir dengesizlik farkındalıklı kayıp fonksiyonu, yani her şeyi kapsayan kayıp geliştirilmiştir. Yeni bir fonksiyon geliştirmenin ikinci önemli nedeni, bölge bazlı, şekle duyarlı ve piksel bazında dağıtım kaybı yaklaşımlarının değerlendirme yeteneklerine sahip daha kapsamlı bir fonksiyonunu bir kerede üretebilmektir. Bunu yapmak için, bir algoritma karmaşıklığını tanımlamanın temsili bir parametresi olarak her biri saniyede farklı kayan nokta işlemine (FLOPS) sahip iki farklı evrişimsel sinir ağı (CNN) ele alınmıştır. İlk olarak, kodlayıcı olarak ResNet18 ve kod çözücü olarak bir UNet gerçekleştirilmiştir. İkinci olarak, kodlayıcı olarak 34 katmanlı bir artık ağ ve kod çözücü olarak bir UNet tasarlanmıştır. Her iki CNN mimarisi için, popüler dengesizlik farkında kayıpları kullanmanın sonuçları, önerilen yeni kayıp fonksiyonumuzu kullanmanın sonuçlarıyla karşılaştırılmıştır. Eğitim, 5 katlamalı çapraz doğrulama ve test adımları için, erişime açık birden çok veri kümesi kullanılmıştır. Bu veri kümelerindeki orijinal verilere ek olarak, çevirme, ölçekleme, döndürme ve kontrast sınırlı uyarlanabilir histogram eşitleme işlemleriyle bunların artırılmış örnekleri de oluşturulmuştur. Arttırılmış örnek veriler hem eğitim hem de doğrulama aşamasında kullanılırken, orijinal görülen veri kümeleri test aşamasında işlenmiştir. Sonuç olarak, önerilen yeni özel kayıp fonksiyonumuz, popüler kayıp işlevleriyle karşılaştırıldığında en iyi performans ölçümlerini üretmiştir.
Colorectal cancers may occur as a result of late detection of polyps. Colonoscopists use a colonoscopy device to remove polyps by excisional biopsy. The aim of this study is to develop a web application that provides a polyp segmentation model that contributes to the clinical application. For polyp segmentation, a new imbalance-aware loss function, i.e. omni-comprehensive loss, has been developed to be used in deep neural networks to overcome both imbalanced datasets and the vanishing gradient problem. The second crucial reason for developing a new loss function is to be able to produce a more comprehensive one with the evaluation capabilities of region-based, shape-sensitive and pixel-wise distribution loss approaches at once. To do this, two different convolutional neural networks (CNNs) have been implemented, each with different floating point operations per second (FLOPS) that is a representative parameter to identify an algorithm complexity. First, ResNet18 as the encoder and a UNet as the decoder is implemented. Second, a 34-layer residual network is designed as the encoder and a UNet as the decoder is designed. For both CNN architectures, the results of using the popular imbalance-aware losses are compared with the results of using our new proposed loss function. Multiple publicly available datasets are used for training, 5-fold cross validation, and testing steps. In addition to the original data in these datasets, augmented versions of these datasets have also been generated by flipping, rotating and contrast-limited adaptive histogram equalization operations. While the augmented samples are used both in the training and validation phases, the original datasets are tackled in the testing phase. While the augmented samples are used both in the training and validation phases, the original datasets are tackled in the testing phase. As a result, our proposed new custom loss function produced the best performance metrics compared to the popular loss functions.