Değiştirilmiş U-Net modeli ile biyomedikal görüntü segmentasyonu

Görüntü segmentasyonu, görüntü işleme ve bilgisayarlı görmede önemli bir alandır. Görüntü segmentasyonu alanında derin öğrenme yöntemlerinin kullanılması ise özellikle Biyomedikal ve tıbbi alanlardaki uzmanlara yardımcı olacak yöntemlerin geliştirilmesinde, var olan yöntemlerdeki zamandan ve maliyetten tasarruf sağlama konusunda hayati bir rol oynar. Derin öğrenmeyi kullanan görüntü segmentasyonu modelleri arasında yer alan önemli yöntemlerden biri U-Net modelidir. U-Net modeli birçok çalışmaya ilham kaynağı olmuş ve evrişimsel sinir ağlarının gelişmesinde faydalı bir model olmuştur. Zaman içerisinde U-Net modelinde farklılıklar oluşturularak U-Net modelinden daha başarılı yöntemler geliştirilmiştir. Bu çalışmada 11 evrişimli katman kullanan ve segmentasyon performansını artırmak için bazı değişiklikler getiren yeni bir U-Net varyantı olan U-Net11'i öneriyoruz. Klasik U-Net modeli geliştirilmiş ve üç farklı veri kümesi üzerinde test edilerek klasik U-Net modelinden daha iyi performans göstermiştir. Önerilen yöntem: Hücre dokularından elde edilen meme kanserli hücre segmentasyonu, bilgisayarlı tomografi görüntülerinden elde edilen akciğer segmentasyonu ve Data Science Bowl 2018 yarışmasından elde edilen hücre çekirdeği segmentasyonu veri kümeleri için değerlendirilmiştir. Bu veri kümeleri, değişen görüntü miktarları ve segmentasyon görevlerindeki değişen zorluk seviyeleri nedeniyle önem içermektedir. Katman farkını gözlemleyebilmek için Klasik U-Net'e katman ekleme-çıkarma işlemi yapılarak U-Net-7, U-Net-13 modelleri geliştirilmiş ve önerilen model ile olan farkı kıyaslanmıştır. Değiştirilmiş U-Net modeli: Hücre dokularından elde edilen meme kanserli hücre segmentasyonu veri kümesinde %69,09, bilgisayarlı tomografi görüntülerinden elde edilen akciğer segmentasyonu veri kümesinde %95,02 ve doku görüntüsünden hücre çekirdeği segmentasyonu veri kümesinde %81,10 DSC puanları elde ederek klasik U-Net modelinden sırasıyla %5, %2 ve %4 oranında daha yüksek bir başarı göstermiştir. Başarı oranlarındaki bu fark özellikle biyomedikal mühendisliği ve tıp alanlarındaki kritik segmentasyon veri kümeleri için büyük öneme sahiptir ve model geliştirilerek daha başarılı sonuçlar elde ederek bu alanlarda büyük tasarruflar sağlayabilir. Anahtar Kelimeler: Biyomedikal görüntü segmentasyonu, derin öğrenme, U-Net