R-ESPCN ile Medikal Görüntülemede Süper Çözünürlük
Abstract views: 0
/ 
PDF downloads: 1
Keywords:
R-ESPCN, Süper Çözünürlük, Görüntü Yeniden Yapılandırma, Tıbbi Görüntü İyileştirme, Derin ÖğrenmeAbstract
Hastalıkların erken teşhisinde Manyetik Rezonans (MR), Bilgisayarlı Tomografi (BT) ve Pozitron
Emisyon Tomografisi (PET), ultrason ve röntgen gibi tıbbi görüntüleme teknikleri uzun yıllardır
hastalıkların tanısı ve tedavisinde kullanılmaktadır. Tıbbi görüntüler üzerinde doğru tanı konulabilmesi ve
sonrasında tedavi süreçleri için kritik öneme sahip iken düşük çözünürlüklü tıbbı görüntüler tanının
doğruluğunu ve detaylı analiz yeteneğini sınırlayabilmektedir. Bu çalışmada, MR ve BT teknikleri ile elde
edilen beyin görüntülerinin çözünürlüğünü artırmak amacıyla R-ESPCN (Yenilenen ESPCN) modeli
kullanılmıştır. R-ESPCN modeli ile düşük çözünürlüklü MR görüntülerinin iyileştirilmesi amaçlanmış ve
elde edilen sonuçlar PSNR (Tepe Sinyal Gürültü Oranı) ve SSIM (Yapısal Benzerlik İndeksi Ölçümü)
metrikleri kullanılarak değerlendirilmiştir. Sonuçlara göre R-ESPCN'in beyin görüntülerinde önemli bir
çözünürlük iyileştirmesi sağladığını ve böylece tıbbi görüntülerin tanı değerinin artırılabileceğini
göstermektedir. Model karşılaştırıldığında ortalama olarak yüksek PSNR ve SSIM değerleri elde edilmiştir.
R-ESPCN 'ın MR ve BT görüntüleme teknikleri ile elde edilen verilerde güvenilir ve etkili bir çözünürlük
iyileştirme aracı olarak kullanılabileceği gösterilmiştir.
Downloads
References
M. F. Ağalday and A. Çinar, “Improvement of a Subpixel Convolutional Neural Network for a Super-Resolution Image,” Appl. Sci., vol. 15, no. 5, 2025, doi: 10.3390/app15052459.
W. Shi et al., “Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 1874–1883, 2016, doi: 10.1109/CVPR.2016.207.
I. S. Isa, Z. Saad, S. Omar, M. K. Osman, K. A. Ahmad, and H. A. M. Sakim, “Suitable MLP network activation functions for breast cancer and thyroid disease detection,” Proc. - 2nd Int. Conf. Comput. Intell. Model. Simulation, CIMSim 2010, pp. 39–44, 2010, doi: 10.1109/CIMSiM.2010.93.
and G. E. H. A. Krizhevsky, I. Sutskever, “ImageNet Classification with Deep Convolutional Neural Networks,” Adv. Neural Inf. Process. Syst., pp. 1097–1105, 2012, doi: 10.1016/B978-0-12-374105-9.00493-7.
A. Zafar et al., “A Comparison of Pooling Methods for Convolutional Neural Networks,” Appl. Sci., vol. 12, no. 17, pp. 1–21, 2022, doi: 10.3390/app12178643.
J. Guo, F. Lv, J. Shen, J. Liu, and M. Wang, “An improved generative adversarial network for remote sensing image super-resolution,” IET Image Process., vol. 17, no. 6, pp. 1852–1863, 2023, doi: 10.1049/ipr2.12760.
Q. Huynh-Thu and M. Ghanbari, “Scope of Validity of PSNR in Image/Video Quality Assessment,” Electron. Lett., vol. 44, no. 13, pp. 800–801, 2008, [Online]. Available: https://doi.org/10.1049/el:20080522
F. A. Fardo, V. H. Conforto, F. C. de Oliveira, and P. S. Rodrigues, “A Formal Evaluation of PSNR as Quality Measurement Parameter for Image Segmentation Algorithms,” no. 0, pp. 1–11, 2016, [Online]. Available: http://arxiv.org/abs/1605.07116
M. M. Abdulrazzaq et al., “Consequential Advancements of Self-Supervised Learning (SSL) in Deep Learning Contexts,” Mathematics, vol. 12, no. 5, 2024, doi: 10.3390/math12050758.
