Tez No	İndirme	Tez Künye	Durumu
611138		Derin metrik öğrenme ile histopatolojik görüntülerin sınıflandırılması / Classification of histopathological images with deep metric learning Yazar:MAHMUT KAYA Danışman: DOÇ. DR. HASAN ŞAKİR BİLGE Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2019 127 s.
Metrik öğrenme, örnekler arasındaki benzerliği ölçmek için bir benzerlik metriğinden yararlanır. Genellikle doğrusal bir izdüşüm kullanan metrik öğrenme yöntemleri, doğrusal olmayan özellikleri gösteren gerçek dünyadaki problemleri çözmede sınırlıdır. Doğrusal olmayan veriler için metrik öğrenmede çekirdek yaklaşımları kullanılır. Son yıllarda popülerliği artan derin metrik öğrenme konusunda dikkat çeken çalışmalar bulunmaktadır. Derin metrik öğrenme (DML) sahip olduğu aktivasyon fonksiyonları ile doğrusal olmayan veriler için de en uygun çözümü elde etmekte oldukça başarılıdır. Bu tez çalışmasında derin metrik öğrenmenin literatürdeki konumu, önemi ve katkıları hakkında detaylıca bilgi verilmiştir. DML benzer sınıf örnekleri arasındaki uzaklığı azaltmaya çalışırken, farklı sınıf örnekleri arasındaki uzaklığı ise arttırmaya çalışmaktadır. Derin metrik öğrenmede bunu gerçekleştirmek için, örnekleme stratejisi, ağ mimarisi ve kayıp fonksiyonu ağın başarısında temel faktörlerdir. Genel itibariyle literatürü incelediğimizde çalışmaların birçoğunun Siamese ve Triplet ağlarından esinlendiği görülmüştür. Bu tez çalışmasında metrik öğrenme bakış açısıyla üç farklı uygulama geliştirilmiştir. Öncelikle geleneksel metrik öğrenme yaklaşımı kullanılarak Parkinson çoklu ses veri kümesi üzerinde deneyler yapılmıştır. Bu deneylerde sınıflandırma başarımını arttırmak için en uygun 𝑊 ağırlık matrisi genetik algoritma kullanılarak elde edilmiştir. Daha sonra histopatholojik veri kümesinde derin metrik öğrenme modelleri kullanılarak çalışmalar yapılmıştır. Son olarak ise, histopatolojik veri kümesi üzerinde bölütleme yaklaşımı ile hücre çekirdekler tespit edilmiştir. Tespit edilen hücre çekirdek görüntülerinin derin metrik öğrenme yaklaşımıyla sınıflandırma işlemi gerçekleştirilmiştir. Elde edilen sonuçlar ile derin metrik öğrenmenin genellikle örnek sayısı sınırlı olan histopatolojik veriler için başarıyla uygulanabileceği görülmüştür.
Metrik öğrenme, örnekler arasındaki benzerliği ölçmek için bir benzerlik metriğinden yararlanır. Genellikle doğrusal bir izdüşüm kullanan metrik öğrenme yöntemleri, doğrusal olmayan özellikleri gösteren gerçek dünyadaki problemleri çözmede sınırlıdır. Doğrusal olmayan veriler için metrik öğrenmede çekirdek yaklaşımları kullanılır. Son yıllarda popülerliği artan derin metrik öğrenme konusunda dikkat çeken çalışmalar bulunmaktadır. Derin metrik öğrenme (DML) sahip olduğu aktivasyon fonksiyonları ile doğrusal olmayan veriler için de en uygun çözümü elde etmekte oldukça başarılıdır. Bu tez çalışmasında derin metrik öğrenmenin literatürdeki konumu, önemi ve katkıları hakkında detaylıca bilgi verilmiştir. DML benzer sınıf örnekleri arasındaki uzaklığı azaltmaya çalışırken, farklı sınıf örnekleri arasındaki uzaklığı ise arttırmaya çalışmaktadır. Derin metrik öğrenmede bunu gerçekleştirmek için, örnekleme stratejisi, ağ mimarisi ve kayıp fonksiyonu ağın başarısında temel faktörlerdir. Genel itibariyle literatürü incelediğimizde çalışmaların birçoğunun Siamese ve Triplet ağlarından esinlendiği görülmüştür. Bu tez çalışmasında metrik öğrenme bakış açısıyla üç farklı uygulama geliştirilmiştir. Öncelikle geleneksel metrik öğrenme yaklaşımı kullanılarak Parkinson çoklu ses veri kümesi üzerinde deneyler yapılmıştır. Bu deneylerde sınıflandırma başarımını arttırmak için en uygun 𝑊 ağırlık matrisi genetik algoritma kullanılarak elde edilmiştir. Daha sonra histopatholojik veri kümesinde derin metrik öğrenme modelleri kullanılarak çalışmalar yapılmıştır. Son olarak ise, histopatolojik veri kümesi üzerinde bölütleme yaklaşımı ile hücre çekirdekler tespit edilmiştir. Tespit edilen hücre çekirdek görüntülerinin derin metrik öğrenme yaklaşımıyla sınıflandırma işlemi gerçekleştirilmiştir. Elde edilen sonuçlar ile derin metrik öğrenmenin genellikle örnek sayısı sınırlı olan histopatolojik veriler için başarıyla uygulanabileceği görülmüştür.