Derin sinir ağları ile çekirdek hücrelerinin tespiti ve segmentasyonu

Abstract

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.