Çekişmeli üretken ağlarla medikal görüntülerin üretimi ve analizi

Çekişmeli Üretken Ağlar (ÇÜA), son yıllarda popüler derin öğrenme mimarilerinden biridir. Görüntü sentezlemesi yapılırken gerçek görsellere çok yakın görseller elde etmiştir. ÇÜA, sinyalden görüntüye dönüşümde, görüntü sentezleme ve bölütlemesinde, çözünürlük arttırma ve eksik parçaların tamamlanması gibi alanlarda birçok araştırmacının dikkatini çekmiştir. Bilgisayar görmesi alanındaki çoğu yöntemi geride bıraktığı gözlenmiştir. Bu tez çalışmasında, medikal veri kümesi oluşturma ve medikal veriler üzerinden görüntü sentezleme, bölütleme ve çözünürlük arttırma gibi alanlardaki en güncel yaklaşımlar incelenmiş ve ÇÜA temelli yeni mimariler geliştirilerek literatüre katkılar sunulmuştur. Yapılan ilk deneysel çalışmada, klasik ÇÜA mimarilerinden CycleGAN ve Pix2Pix yöntemlerinin PAPSMEAR hücre çekirdeği üretmedeki etkisi incelenmiştir. Mimarilerin performansları kıyaslanırken Jaccard ve Dice benzerliklerinden yararlanılmıştır. Görüntü sentezleme performansları ayrı ayrı incelenerek sonuçlar çizelgeler ve görsel şekilde sunulmuştur. Tez kapsamında yapılan ikinci deneysel çalışma, sentetik PAPSMEAR veri kümesi oluşturmada matematiksel modelleme tabanlı yöntemin kullanılmasıdır. Oluşturulan yöntem MathModel olarak adlandırılmıştır. Tez kapsamında yapılan üçüncü deneysel çalışmanın birinci kısmında, PAPSMEAR veri kümesi üzerinde klasik ÇÜA mimarileri (CycleGAN, Pix2Pix, DiscoGAN ve AttentionGAN) kullanılarak yeni görüntüler sentezlenmiştir. Oluşturulan görüntüler MSE, SSIM ve PSNR'ye göre kıyaslanmıştır. Bu çıktılar dikkate alınarak Pix2PixSSIM olarak adlandırılan yeni bir ÇÜA mimarisi önerilmiştir. Elde edilen sonuçlar çizelgelerle ve görsellerle sunulmuştur. İkinci kısmında ise PAPSMEAR veri kümesi üzerinde klasik ve güncel karşılaştırma metriklerinin ÇÜA mimarileri maliyetinin değişmesindeki etkisi incelenmektedir. Bu çalışmadaki amaç gelecekte ÇÜA mimarilerinde genel kullanmaya elverişli maliyet fonksiyonu keşfetmektir. Sonuçlar görsel ve çizelgesel olarak sunulmaktadır. Tez kapsamında yapılan dördüncü deneysel çalışmada, PAPSMEAR veri kümesi üzerinde görüntü bölütlemesi yaparken klasik ÇÜA mimarileri (CycleGAN, CUT, FastCUT, DCLGAN, SimDCL) kullanılmıştır. Yöntem sonuçları kıyaslanırken hem görsel hem de çizelgesel sonuçlara yer verilmiştir. Çıktılar kıyaslanırken LPIPS, PSNR, FID ve KID benzerlik metrikleri kullanılmıştır. Tez kapsamında yapılan beşinci deneysel çalışmada, 2 boyutlu beyin MRI veri kümesi üzerinde görüntü bölütlemesi yaparken klasik ÇÜA mimarileri (CycleGAN, CUT, FastCUT, DCLGAN, SimDCL) kullanılmıştır ve SSimDCL olarak adlandırılan yeni ÇÜA mimarisi önerilmiştir. Önerilen yöntemin hem görüntü çözünürlüğü arttırmada hem de bölütlemede başarılı sonuçlar verdiği gözlemlenmiştir. Oluşturulan görüntüler kıyaslanırken LPIPS,PSNR, FID ve KID yöntemleri kullanılmıştır. Çalışmanın son aşamasında ise günümüzde dokusal olarak Beyin MRI konusunda iyi bölütleme yapabilen VolBrain sonuçları ile görsel ve metriksel olarak kıyaslama yapılmıştır. Tez kapsamında yapılan altıncı deneysel çalışma, beşinci deneysel çalışmanın devamı şeklindedir. 2 boyutlu Beyin MRI, PAPSMEAR, CHASEDB ve XRAY veri kümelerinde görüntü bölütlemesi yaparken klasik ÇÜA mimarileri (CycleGAN, CUT, FastCUT, DCLGAN, SimDCL) ile SSimDCL yöntemi kullanılmıştır. Amaç, diğer medikal görüntüler üzerinde bölütleme yapılırken önerilen yöntemin verimliliği incelenmektedir. Çıktılar görsel ve çizelgesel olarak sunulmaktadır. Tez kapsamında yapılan yedinci deneysel çalışma, beyin tümörü bölütlemede ÇÜA mimarilerinden SSimDCL (önerilen) ile derin öğrenme mimarilerinden nnU-Net yöntemi kıyaslanmıştır. Beyin tümörü veri kümesi olarak BraTs kullanılmıştır. Bu çalışmada veri kümeleri iyileştirilmiş ve bu veri kümeleri üzerinden tekrar sonuçlar elde edilmiştir. Çıktılar hem görsel hem de çizelgesel olarak sunulmuştur. dördüncü deneysel çalışmanın devamı şeklindedir. Benzerlik metriği olarak LPIPS ve PSNR yöntemleri kullanılmıştır. Çıktılar görsel ve çizelgesel olarak sunulmaktadır. Yapılan deneyler ve incelemeler sonucunda, ÇÜA temelli yaklaşımların birçok problem çözümüne olumlu katkılar sağladığı gözlemlenmiştir.