Tıbbi BT Görüntülerinde Derin Öğrenme Tabanlı Sınıflandırma Modellerinin Etkinlik Değerlendirmesi: EfficientNet-v2_L'nin Üstün Performansı
Abstract views: 30
/ 
PDF downloads: 21
Keywords:
Derin Öğrenme, Bilgisayralı Tomografi, Makine Öğrenmesi, Model, PerformansAbstract
Bu çalışma, bilgisayarlı tomografi (BT) görüntülerindeki anatomik yapıların otomatik segmentasyonu
için dört farklı derin öğrenme (DL) modelinin performanslarını karşılaştırmayı amaçlamaktadır. BT
görüntüleme, tanı, cerrahi planlama ve radyoterapi gibi birçok tıbbi alanda kritik öneme sahiptir. Geleneksel
manuel segmentasyon yöntemlerinin zaman alıcı, öznel ve değişkenlik gösteren yapısı, otomatik
yöntemlere olan ihtiyacı artırmaktadır. Son yıllardaki derin öğrenme, özellikle evrişimli sinir ağları
(CNN'ler), görüntü işlemede önemli başarılar elde etmiştir.
Bu çalışmada CT Medical Images veri seti kullanılarak DenseNet-121, EfficientNet-V2_L, MobileNet-V3
ve ResNet-18 modelleri test edilmiştir. Modellerin eğitimi için Adam iyileştirici kullanılmış ve öğrenme
oranı dinamik olarak ayarlanmıştır. Modelin genelleme performansını değerlendirmek amacıyla doğrulama
kaybı, doğruluk, F1 skoru, kesinlik ve duyarlılık gibi metrikler izlenmiştir.
Deneysel sonuçlar, incelenen dört model arasında EfficientNet-V2_L'nin en yüksek performansı
sergilediğini göstermektedir. Bu model, %95 doğruluk ve %94.74 F1 skoru elde etmiştir.
Bu çalışma, BT görüntülerinin yorumlanmasında insan gücünü azaltma ve farklı yorumlamaların önüne
geçme potansiyeli taşıyan otomatik segmentasyon yöntemlerinin önemini vurgulamaktadır. Elde edilen
bulgular, özellikle EfficientNet-V2_L modelinin, tıbbi görüntü analizinde yüksek doğrulukta otomatik
segmentasyon için uygun bir çözüm olduğunu ortaya koymuştur.
Downloads
References
- Prince JL, Links JM. Medical imaging signals and system Pearson Education. 2006
. Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Comput Med Imaging Graph. 2007;31:198–211.
. Giger ML, Karssemeijer N, Schnabel JA. Breast image analysis for risk assessment, detection diagnosis, and treatment of cancer. Annu Rev Biomed Eng. 2013;15:327–357.
. Withey DJ, Koles ZJ. Three generations of medical image segmentation: Methods and available software. Int J Bioelectromag2007;9:67-8.
. Gonzalez RC, Woods RE. Digital image processing. 2nd ed. Pearson Education 2004.
. Pratt KW. Digital image processing. 3rd ed. Willey; 2001. p. 551-87 .13 Journal of Medical Physics, Vol. 35, No. 1, 2010
. Pal NR, Pal SH. A review on image segmentation techniques. Pattern Recog 1993;26:1277-94.
Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Comput Med Imaging Graph.2007;31:198–211.
. Giger ML, Karssemeijer N, Schnabel JA. Breast image analysis for risk assessment, detection diagnosis, and treatment of cancer. Annu Rev
L.P. Clarke, et al., “MRI segmentation: Methods and applications,” Magn. Reson. Imaging, vol. 13, no. 3, pp. 343-368, 1995.
Albertina, B., Watson, M., Holback, C., Jarosz, R., Kirk, S., Lee, Y., … Lemmerman, J. (2016). Radiology Data from The Cancer Genome Atlas Lung Adenocarcinoma [TCGA-LUAD] collection. The Cancer Imaging Archive. http://doi.org/10.7937/K9/TCIA.2016.JGNIHEP5
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q., “Densely connected convolutional networks,” In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 4700-4708, 2017.
Tan, M., & Le, Q., “Efficientnet: Rethinking model scaling for convolutional neural networks,” In International conference on machine learning, pp. 6105-6114, 2019.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H., “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv preprint arXiv:1704.04861, 2017.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR) (pp. 770–778).
Kingma, D. P., & Ba, J, “Adam: A method for stochastic optimization” arXiv preprint arXiv:1412.6980, 2014.
