Multi-task network for computed tomography segmentation through fractal dimension estimation

C¸ ok-g¨orevli ¨o˘grenmenin, problemin farklı y¨onlerini yansıtmak ¨uzere yardımcı g¨orevleri tanımlamasının ve bunları ana g¨orev olan segmentasyon ile e¸s zamanlı olarak ¨o˘grenmesinin, yo˘gun bir tahmin a˘gının segmentasyon g¨orevindeki performansını artırmak i¸cin etkili bir strateji oldu˘gu kanıtlanmı¸stır. Onceki ¸calı¸smalar, ¨ yardımcı g¨orevlerini Oklid uzayında tanımlamı¸slardır. Ancak, bazı b¨ol¨utleme ¨ g¨orevlerinde, ilgi b¨olgesinin dokusundaki karma¸sıklık ve y¨uksek de˘gi¸skenlik, Oklid ¨ geometrisindeki d¨uzg¨unl¨uk kısıtlamasına uymayabilir. Bu tez, bir g¨or¨unt¨udeki doku karma¸sıklı˘gını birbirine benzer desenler aracılı˘gıyla nicelle¸stirmek i¸cin fraktal geometriyi kullanan yeni bir ¸cok-g¨orevli a˘g olan MTFD-Net modelini tanımlayarak bu sorunu ele almaktadır. Bu ama¸cla, bir g¨or¨unt¨uy¨u fraktal boyut bir haritasına d¨on¨u¸st¨urmeyi ve bunun ¨o˘grenilmesini yardımcı bir g¨orev olarak tanımlamayı ¨oneriyoruz. Bu, bilgisayarlı tomografi g¨or¨unt¨ulerinde sol kulak¸cık segmentasyonunun iyile¸stirilmesine y¨onelik ana segmentasyon g¨orevine yardımcı denetim sa˘glamak amacıyladır. Bildi˘gimiz kadarıyla, bu, bir yardımcı g¨orevi tanımlamak i¸cin fraktal geometriyi kullanan ve bunu ¸cok-g¨orevli bir ¨o˘grenme modelinde, b¨ol¨utleme g¨orevine paralel olarak ¨o˘grenen yo˘gun tahmin a˘gının a˘gı ¨oneren ilk ¸calı¸smadır. Deneylerimiz, ¨onerilen MTFD-Net modelinin, benzerlerine kıyasla daha do˘gru sol kulak¸cık segmentasyonuna olanak sa˘gladı˘gını ortaya koymu¸stur.