Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması

Yapay sinir ağı (YSA) temelli yaklaşımların tahmin başarımının artırılması literatürde ele alınan önemli bir konudur. Düzgünleştirme, tahmin başarımını artırmak için kullanılan yöntemlerden biridir. Bu tez çalışmasında YSA temelli modeller için üç farklı yenilikçi düzgünleştirme yöntemi önerilmiştir. Bu yöntemler, farklı derin ağlarda kullanılarak tıbbi görüntü verilerinin sınıflandırılmasında tahmin başarımını artırmışlardır. Birinci uygulamada veri ile düzgünleştirme yapılmıştır. Kapsül ağın (KA) klasik veri artırımı kullanılarak eğitiminde istatistiksel sınıflama metriklerinde başarım sağlayamadığı keşfedilmiştir. Önerilen çekişmeli üretici ağ (ÇÜA) mimarisi ile göğüs x-ray görüntülerinde eğitim verileri üretilmiştir. KA, eğitiminde filtre sayısı, boyutu ve eğitim veri sayısı parametrelerindeki değişimlerde sınıflama performansındaki durumlar detaylı olarak açıklanmıştır. Önerilen yöntem ile %94 oranında doğruluk başarımı sağlamıştır. Ayrıca ÇÜA tabanlı veri üretim yaklaşımı cilt lezyon imgelerinin sınıflama için uyarlanmıştır. Önerilen veri artırma modeli ile transfer öğrenme kullanarak yedi sınıflı cilt lezyon veri kümesinde sınıflama gerçekleştirmiştir. Bu yöntem ile istatistiksel metriklerde yaklaşık %10 oranında başarım artışı gerçekleştirilmiştir. İkinci uygulamada ise YSA ve evrişimsel sinir ağı (ESA) modellerinin tahmin başarımını artıracak yeni bir kayıp eklenti fonksiyonu önerilmiştir. Bu yöntem ile ağ ağırlıklarını birimdik vektörler olarak öğrenmek için genelleştirilmiş bir matematiksel model sunulmuştur. Önerilen yöntem ile modellerin ağırlık matrisini ikili dik vektörler şeklinde öğrenerek genelleme başarımı artırılmıştır. Deneysel çalışmalarda önerilen yöntem, yedi farklı veri kümesinin eğitimi için uygulanmıştır. Önerilen yöntem ile YSA ve ESA'nın sınıflama başarımını %1 ila %5 arasında artış sağlanmıştır. Son uygulamada ise ağ tabanlı bir düzgünleştirme yaklaşımı sunulmuştur. Karşılaştırmalı öğrenme mimarisi olan basit çerçeveli öğrenme (Simclr) yönteminin çözücü ağ katmanı için yeni bir ağ önerilmiştir. Ayrıca eğiticili öğrenme stratejisi ile model yeniden oluşturulmuştur. Kolon kanseri histopatolojik veri kümelerine uygulanan yöntem ile literatürdeki diğer yöntemlere kıyasla yüksek sınıflama performansı elde edilmiştir. Anahtar Kelimeler: Düzgünleştirme, Birimdik Düzgünleştirme, Tıbbi Görüntü Sınıflama, Derin Öğrenme, Karşılaştırmalı Öğrenme