Visual object detection in biomedical ımages with anchorless detectors

Sağlık bilişiminde veri analizinin rolü, biyomedikal görüntülerin sayısının artmasıyla birlikte son yıllarda önem kazanmıştır. Biyomedikal görüntüler bağlamında, nesne dedektörleri görüntü analizi görevlerinin otomatikleştirilmesinde ve büyük veri kümelerinin yüksek verimli analizinin kolaylaştırılmasında önemli bir rol oynamaktadır. Biyomedikal görüntüler histoloji slaytları, mikroskopi görüntüleri ve tıbbi taramalar gibi çeşitli veri türlerini içerebilir. Nesne dedektörleri, bu görüntülerdeki hücreler, çekirdekler veya tümörler gibi belirli nesneleri tespit etmek için konvolüsyonel sinir ağı mimarileri kullanılarak eğitilebilir. Geleneksel görsel nesne algılayıcılarda, çapa kutuları, görüntünün üzerine bir ızgara üzerine yerleştirilmiş, farklı ölçeklerde ve en boy oranlarında önceden tanımlanmış kutulardır. Nesne sezici, nesnenin sınırlayıcı kutusunun çapa kutusuna göre kaymalarına göre nesnenin sınıfını tahmin eder. Çapa kutuları kullanan modeller, yüksek başarım oranları göstermesine rağmen, ankrajların boyutu, sayısı ve en-boy oranı gibi önceden belirlenmiş ankraj parametrelerine ihtiyaç duyar ve farklı boyutlara sahip küçük nodüllerin tespitinde zorlanmaktadır. Bu tez çalışmasının araştırma konusu, çapasız dedektörlerin biyomedikal görüntülerde uygulanmasıdır. Bu bağlamda, tespit edilecek nesnenin konumunu, merkezini, yüksekliğini ve genişliğini otomatik olarak tahmin eden, çapa içermeyen bir nesne dedektörü olan YOLOX modelini seçtik. Bu tezde, standart YOLOX modeli üzerinde çeşitli modifikasyonlar uygulayarak başarımı iyileştirmeyi hedefledik. Nodül tespitini verimli bir şekilde eğitmek için uzaklık IoU kayıp fonksiyonu kullanılmış ve bu da dedektörün daha hızlı yakınsamasını sağlamıştır. Görüntünün önemli alanlarını seçmek ve tespit doğruluğunu artırmak için dikkat modülleri de geliştirilmiş modelimize dahil edilmiştir. Ek olarak, tek aşamalı dedektörlerle ilişkili sınıf dengesizliği problemini çözmek için değişken odaklı kaybını kullandık. Modifiye edilmiş yöntemimiz beyin tümörü, akciğer kanseri ve böbrek taşı veri kümeleriyle test edildiğinde hem çapa tabanlı hem de çapasız modellerden daha iyi performans gösterdi. Deneyler sonucunda beyin tümörü tespiti için %87,56 Akciğer Görüntü Veritabanı Konsorsiyumu veri kümesi için %84,11 ve böbrek taşı tespiti için %83,06 ortalama kesinlik değerleri elde edilmiştir.