GAN Tabanlı Süper Çözünürlük ile İyileştirilmiş Pnömoni Tespiti
Abstract views: 47
/ 
PDF downloads: 28
Keywords:
Süper Çözünürlük, GAN, Göğüs Röntgeni, Zatürre Tespiti, Derin ÖğrenmeAbstract
Bu çalışmada, düşük çözünürlüklü göğüs röntgeni görüntülerinin tanısal kalitesini artırmak ve
pnömoni tespit performansını iyileştirmek amacıyla GAN tabanlı bir süper çözünürlük ve derin öğrenme
tabanlı sınıflandırma mimarisinden oluşan hibrit bir framework önerilmektedir. Süper çözünürlük
modülü, RRDB tabanlı bir jeneratör ve PatchGAN ayrımcısından oluşmakta olup, düşük çözünürlüklü
(LR) görüntülerden yüksek çözünürlüklü (SR) görüntüler üretmektedir. Üretilen SR görüntüler daha
sonra pnömoni tespiti için ResNet18 tabanlı ikili sınıflandırıcıya girdi olarak verilmiştir. Modelin
performansı, Kaggle Chest X-Ray Pneumonia veri seti kullanılarak değerlendirilmiştir. Elde edilen
deneysel sonuçlara göre önerilen SR modülü, doğrulama kümesinde 31.2 dB PSNR ve 0.864 SSIM
değerlerine ulaşarak yüksek kalitede görüntü geri kazanımı sağlamıştır. SR çıktılarıyla eğitilen
sınıflandırıcı ise doğrulama kümesinde %96.67 doğruluk elde etmiş ve SR’nin tanısal performans
üzerinde anlamlı bir katkı sağladığı görülmüştür. Bulgular, GAN tabanlı süper çözünürlük ile
sınıflandırmanın birlikte kullanımının, düşük çözünürlüklü klinik görüntüler üzerinde hem görüntü
kalitesini hem de tanı doğruluğunu artıran etkili bir yaklaşım sunduğunu göstermektedir.
Downloads
References
H. Greenspan, “Super-resolution in medical imaging,” The Computer Journal, 2009.
K. Zeng et al., “Simultaneous denoising and super-resolution of optical coherence tomography images,” IEEE TMI, 2017.
D. Kermany et al., “Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning,” Cell, 2018.
C. Dong et al., “Learning a Deep Convolutional Network for Image Super-Resolution,” ECCV, 2014. (SRCNN)
C. Ledig et al., “Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network,” CVPR, 2017. (SRGAN)
X. Wang et al., “ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks,” ECCVW, 2018.
P. Rajpurkar et al., “CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays,” arXiv:1711.05225, 2017.
Z. Yi et al., “DualGAN: Unsupervised Dual Learning for Image-to-Image Translation,” ICCV, 2017.
H. Huang et al., “Deep Learning-Based Image Super-Resolution in Medical Imaging: A Review,” IEEE Access, 2020.
H. M. Emara et al., “Simultaneous Super-Resolution and Classification of Lung Disease Scans,” Diagnostics, 2023.
PubMed
“Chest X-ray Image Super-Resolution Using Artificial Intelligence,” International Journal for Research in Applied Science & Engineering Technology (IJRASET), 2025.
H. A. Mohammed et al., “Medical X-ray images enhancement based on super resolution convolutional neural network (SRCNN),” International Journal of Informatics and Communication Technology, 2020.
R. Saoudi et al., “Enhancing Pneumonia X-ray Imaging Diagnosis through Super-Resolution and Attention Mechanisms,” Atlantis Press, 2025.
P. T. Mooney, “Chest X-Ray Images (Pneumonia),” Kaggle, 2018. [Online]. Available: https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia
