DERİN ÖĞRENME KULLANARAK TIBBİ GÖRÜNTÜ BÖLÜTLEME

Abstract

Bu tezde, ilk olarak son yıllarda makine öğrenmesi alanında çok fazla ilgi duyulan derin öğrenme yaklaşımı hakkında detaylı bilgilere yer verilmiştir. Daha sonra, en tehlikeli cilt kanseri türü olan melanomun tespitine yardımcı olabilmek adına otomatik bir cilt lezyonu bölütleme uygulaması gerçekleştirilmiştir. Bu tıbbi görüntü bölütleme uygulaması, derin öğrenme tabanlı olan Konvolüsyonel Sinir Ağı (KSA) mimarilerinde değişiklik yapılarak elde edilen Tam Konvolüsyonel Ağ (TKA) mimarileriyle gerçekleştirilmiştir. Uygulama için gerçekleştirilen deneysel çalışmalarda veri seti olarak ISIC 2017 kullanılmış olup FCN-AlexNet, FCN-8s, FCN-16s ve FCN-32s isimli dört farklı TKA mimarisinden yararlanılmıştır. Bu mimariler ve veri seti dikkate alındığında, bu çalışma bilimsel yazında ilk kez gerçekleştirilmiştir. Deneysel çalışmalar için öncelikle TKA'lar ayrı ayrı eğitilmiş ve eğitilen bu ağ modellerinin geçerlilik veri seti üzerindeki doğrulukları ve Dice katsayıları karşılaştırılmıştır. Ayrıca, lezyon bölütleme çıkarımları görselleştirilerek kullanılan TKA mimarilerinin lezyonları ne kadar keskinlikte bölütleyebildiği gözlemlenmiştir. Elde edilen deneysel sonuçlar, cilt lezyonu bölütleme uygulamalarında TKA'ların elverişli olduğunu göstermiştir. Bununla beraber, deneysel sonuçların bilimsel yazına ve tıbbi görüntü bölütleme ile ilgili çalışmalar yapan araştırmacılara katkı sağlayacağı düşünülmektedir. Anahtar Kelimeler: Derin öğrenme, Konvolüsyonel Sinir Ağı, Tam Konvolüsyonel Ağ, Tıbbi görüntü bölütleme.

In this thesis, first of all, detailed information about the deep learning approach which is attracted much attention in the field of machine learning in recent years is given. Then, an automatic application about skin lesion segmentation is performed to assist in the detection of melanoma, the most dangerous type of skin cancer. This medical image segmentation application is implemented by using Fully Convolutional Network (FCN) architectures obtained by modifying deep learning-based Convolutional Neural Network (CNN) architectures. ISIC 2017 is used as the dataset and four different FCN architectures named FCN-AlexNet, FCN-8s, FCN-16s and FCN-32s are used in the experimental studies performed for the application. Considering these architectures and dataset, this study is carried out for the first time in the literature. For the experimental studies, FCNs are first trained separately and accuracies on the validation dataset and Dice coefficients of these trained network models are compared. Besides, lesion segmentation inferences are visualized to take account of how precisely FCN architectures can segment lesions. The experimental results obtained show that FCNs are suitable for skin lesion segmentation. In addition, it is thought that the experimental results will contribute to the scientific literature and the researchers who are working on medical image segmentation. Keywords: Deep learning, Convolutional Neural Network, Fully Convolutional Network, Medical image segmentation.