Kolonoskopik görüntülerde polip segmentasyonu

Polipler, normal olmayan doku büyümeleridir. Bu anormal doku büyümeleri, başlangıçta iyi huylu doku büyümeleri olarak bilinse de bazı polip türleri zamanla kanserli hücrelere dönüşebilmektedir. Kolorektal kanser, poliplerin kötü huylu büyümelere dönüşmesiyle ortaya çıkan bir kanser türüdür. Poliplerin erken tanısı ve uygun tedavisi, kolorektal kanserden korunmak için önemlidir. Kolorektal polip tanısında klinik uzman değerlendirmesi, zaman, maliyet ve insan hatası problemlerine açıktır. Bilgisayar destekli tanı sistemleri bu eksikleri gidererek otomatik tanı gerçekleştirir ve böylece bu sorunları minimize eder. Bu tez çalışmasında, kolorektal poliplerin otomatik segmentasyonunu gerçekleştiren literatür çalışmalarının detaylı bir incelemesi yapılmıştır. Ardından, segmentasyonda sağlam ve hassas sonuçlar veren DeepLabv3+ mimarisinin farklı omurga ağlarındaki segmentasyon görevine odaklanılmıştır. Yapılan çalışmada, omurga ağı olarak DenseNet, ResNet50, SqueezeNet ve VGG16 mimarisi kullanılmıştır. Bu dört evrişimsel sinir ağı mimarisini omurga ağı olarak alan DeepLabv3+ mimarisi Kvasir-SEG ve CVC-ClinicDB veri setleri üzerinde test edilmiştir. Kolorektal polip segmentasyon görevinde elde edilen sonuçlar yedi farklı performans metriği üzerinde değerlendirilmiştir. Bu metrikler; ortalama Dice, ortalama Kesişim/Birleşim oranı, doğruluk, geri çağırma, özgüllük, keskinlik ve ortalama en küçük karesel hata metrikleridir. Kvasir-SEG veri seti üzerinde omurga ağı olarak DenseNet mimarisinde en iyi değerlendirme sonuçları elde edilmiştir. Bu sonuçlar sırası ile şöyledir: 0,858 oranında ortalama Dice, 0,850 oranında ortalama Kesişim/Birleşim oranı, 0,948 oranında doğruluk, 0,824 oranında geri çağırma, 0,896 oranında keskinlik ve 0,045 oranında ortalama en küçük karesel hata metriğidir. Özgüllük metriğinde ise en iyi sonuç 0,984 oranında VGG16 mimarisi ile elde edilmiştir. Tez çalışması kapsamında gerçekleştirilen diğer bir çalışma ise U-Net mimarisinin farklı kayıp fonksiyonları üzerinde ki segmentasyon görevi üzerinedir. Bu çalışmada ise, İkili Çapraz Entropi, Tversky, Dice ve Bileşik kayıpları içeren dört farklı model eğitilmiştir. Bu modellerin performansları CVC-ColonDB ve Kvasir-SEG veri setleri üzerinde kapsamlı bir şekilde ölçülmüştür. Deneysel veriler, her iki veri setinde en yüksek segmentasyon doğruluğunun İkili Çapraz Entropi kayıp fonksiyonunun ortaya koyduğunu doğrulamıştır. CVC-ColonDB veri seti için en yüksek doğruluk performansı 0.9761 oranında iken, Kvasir-SEG için bu oran 0.9313 olarak ölçülmüştür. Elde edilen bulgular, kayıp fonksiyonu optimizasyonunun doğruluk ve kararlılık üzerinde belirleyici rol oynadığını göstermektedir.