KaydedilenlerDerginizi ekleyin

Dergiler / Türkiye Sağlık Enstitüleri Başkanlığı Dergisi / 2022 / Cilt: 5 - Sayı: 1

Mixup Veri Artırma Yöntemi ile Retina Damar Bölütlemesi

Saadet Aytaç ARPACI
Songül VARLI
Sayfa
41–50
Yayın Tarihi
2022-04-28
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Geleneksel veri artırma yöntemleriyle karşılaştırıldığında, U-Net modelinin retina damar bölütleme yeteneğine mixup veri artırma yönteminin iyileşme sağlamadığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Derin sinir ağı modellerinin aşırı uyum sorununun azaltılması için veri artırma yöntemlerine başvurulmaktadır. 2018 yılında bir veri artırma yöntemi olan mixup tanıtılmıştır ve devam eden yıllarda farklı organ ve görüntü modalitelerinde yapılan çalışmalar ile mixup yönteminin model bölütleme yeteneği üzerindeki etkisi incelenmiştir.
📊
Temel Bulgular & Veri:Bu çalışmanın amacı, IOSTAR veri kümesi görüntülerinde U-Net modeli ile gerçekleştirilen retina damar bölütlemesine mixup yönteminin etkisinin incelenmesidir.
💡
Sonuç & Katkı:Geleneksel veri artırma yöntemleriyle karşılaştırıldığında, U-Net modelinin retina damar bölütleme yeteneğine mixup veri artırma yönteminin iyileşme sağlamadığı görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2018 Verileri
⚙️Değişkenler:Veri artırma · Bölütleme · U-Net

Özet

Derin sinir ağı modellerinin aşırı uyum sorununun azaltılması için veri artırma yöntemlerine başvurulmaktadır. 2018 yılında bir veri artırma yöntemi olan mixup tanıtılmıştır ve devam eden yıllarda farklı organ ve görüntü modalitelerinde yapılan çalışmalar ile mixup yönteminin model bölütleme yeteneği üzerindeki etkisi incelenmiştir. Mixup yönteminin tarayıcı lazer oftalmoskop ile elde edilmiş fundus görüntülerinde retina damar bölütlemesi için kullanımına yönelik bir çalışmaya rastlanmamıştır. Bu çalışmanın amacı, IOSTAR veri kümesi görüntülerinde U-Net modeli ile gerçekleştirilen retina damar bölütlemesine mixup yönteminin etkisinin incelenmesidir. Bu doğrultuda yatay yansıtma, görüntünün rastgele bir alanını kırpma, çevirme gibi veri artırma işlemlerinin görüntülere uygulandığı bir geleneksel grup; geleneksel yöntem ile oluşturulmuş görüntülere ek olarak lambda 0,2 veya 0,5 değerlerine göre mixup yönteminin uygulandığı iki farklı grup; lambda 0,2 veya 0,5 değerlerine göre sadece mixup yönteminin uygulandığı iki farklı grup olmak üzere beş farklı veri grubu oluşturulmuştur. Doğruluk, duyarlılık, özgüllük, Dice ve Jaccard ölçütlerine göre değerlendirmeler yapılmıştır. Geleneksel veri artırma yöntemleriyle karşılaştırıldığında, U-Net modelinin retina damar bölütleme yeteneğine mixup veri artırma yönteminin iyileşme sağlamadığı görülmüştür.

🔖

Bu Makaleye Atıf Yap

ARPACI, S. A., VARLI, S. (2022). Mixup Veri Artırma Yöntemi ile Retina Damar Bölütlemesi. Türkiye Sağlık Enstitüleri Başkanlığı Dergisi, Cilt: 5 - Sayı: 1, 41–50. https://ajindex.com/articles/843175

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (2)

  1. Arpacı, S. A., & Varlı, S. (2020, Ekim). Farklılaştırılmış U-Net ağı ile retina damar bölütlemesi. Sözel bildiri, 2020 28. IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU), Gaziantep, Türkiye. Arpacı, S. A., & Varlı, S. (2021a, Haziran). EncU-Net: Dermoskopik görüntü bölütlemesi için modifiye edilmiş U-Net. Sözel bildiri, 2021 29. IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU), İstanbul,
  2. Türkiye. Arpacı, S. A. & Varlı, S. (2021b). LUPU-Net: a new improvement proposal for encoder-decoder architecture. International Advanced Researches and Engineering Journal, 5 (3), 352-361. doi: 10.35860/iarej.939243 Brea, L.M., Jesus, D.A., Klein, S., & Walsum, T.V. (2020, July). Deep learning-based retinal vessel segmentation with cross-modal evaluation. Poster, Third Conference on Medical Imaging with Deep Learning (MIDL), Montreal, QC, Canada. Cai, Y., Li, Y., Gao, X., & Guo, Y. (2019, October). Retinal vessel segmentation method based on improved deep U-Net. Sözel bildiri, Chinese Conference on Biometric Recognition, Zhuzhou, China. Cheng, Y., Ma, M., Zhang, L., Jin, C., Ma, L., & Zhou, Y. (2020). Retinal blood vessel segmentation based on densely connected U-net. Mathematical Biosciences and Engineering, 17 (4), 3088-3108. doi:10.3934/mbe.2020175 Eaton-Rosen, Z., Bragman, F.J., Ourselin, S., & Cardoso, M.J. (2018, July). Improving data augmentation for medical image segmentation. Sözel bildiri, International Conference on Medical Imaging with Deep Learning, Amsterdam, Netherlands. Gazda, M., Bugata, P., Gazda, J., Hubacek, D., Hresko, D. J., & Drotar, P. (2021). Mixup augmentation for kidney and kidney tumor segmentation. https://openreview.net/forum?id=GvUsPesMtmC adresinden elde edildi. Guo, C., Szemenyei, M., Yi, Y., Xue, Y., Zhou, W., & Li, Y. (2020, May). Dense residual network for retinal vessel segmentation. Poster, 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain. He, K., Zhang, X., Ren, S., & Sun, J. (2016, June). Deep residual learning for image recognition. Sözel bildiri, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, USA. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017, July). Densely connected convolutional networks. Sözel bildiri, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, Hawaii. Hu, J., Shen, L., & Sun, G. (2018, June). Squeeze-and-excitation networks. Sözel bildiri, 2018 IEEE/CVF Confe