Gelişmiş Segmentasyon Performansı için Yüksek Çözünürlüklü Görüntülerin Derin Öğrenme Tabanlı Uyarlanabilir Yeniden Boyutlandırılması

Abstract

Yüksek çözünürlüklü tıbbi görüntülerin derin öğrenme modelleri için küçültülmesi, geleneksel yeniden boyutlandırma yöntemleriyle bilgi kaybı nedeniyle tanısal doğruluğu sıkça tehlikeye atmaktadır. Bu tez, tıbbi görüntü analizini geliştirmek için uyarlanabilir yeniden boyutlandırma tekniklerini araştırmakta ve ilerletmektedir. Başlangıç çalışmaları, CRAG veri seti üzerinde kolorektal bezi segmentasyonu için mevcut bir uyarlanabilir yeniden boyutlandırıcının bilineer interpolasyona göre üstünlüğünü doğrulamış, Kesişim üzeri Birleşim (IoU) oranını %8.2'ye kadar artırmıştır. Bu bulgular üzerine inşa edilen temel katkı, altı yeni uyarlanabilir yeniden boyutlandırıcı mimarisinin geliştirilmesi ve titiz bir şekilde değerlendirilmesidir. Bunlar, hem segmentasyon/sınıflandırma performansını hem de hesaplama verimliliğini optimize etmek için tasarlanmıştır. Önerilen yeniden boyutlandırıcılar, Yüksek Çözünürlüklü Fundus (HRF) veri seti kullanılarak retina damar segmentasyonunda ve Hint Diyabetik Retinopati Görüntü Veri Seti (IDRiD) ile diyabetik retinopati sınıflandırmasında test edilmiştir. Deneysel sonuçlar, önerilen mimarilerin genellikle mevcut yöntemlerden daha iyi performans gösterdiğini ortaya koymaktadır. Segmentasyon için, 'Resizer MFY' bilineer interpolasyona göre ortalama IoU artışında +%.21.04 ile en yüksek performansı elde etmiştir. Sınıflandırmada, 'Resizer A2' bilineere göre ortalama F1 skorunda +%.22.39 artışla en etkili olduğunu kanıtlamıştır. Kritik olarak, 'Minimal V1' mimarisi, yeni uyarlanabilir yeniden boyutlandırıcılar arasında sürekli olarak en düşük hesaplama yükünü göstermiştir. Orijinal uyarlanabilir yeniden boyutlandırıcı da dahil olmak üzere diğer uyarlanabilir yöntemlere göre önemli ölçüde daha hafifken, dikkate değer performans iyileştirmeleri sunmaktadır. Bu araştırma, bu yeni uyarlanabilir yeniden boyutlandırıcıların tıbbi görüntülemede derin öğrenme modeli doğruluğunu önemli ölçüde artırabildiğini başarılı bir şekilde göstermektedir. Çalışma, özel olarak tasarlanmış, hesaplama açısından dikkate değer çözümler sunarak, analiz ardışık düzeninde yeniden boyutlandırma stratejisinin önemini vurgulamakta ve daha etkili tanı araçlarının önünü açmaktadır.

Downsampling high-resolution medical images for deep learning models often compromises diagnostic accuracy due to information loss with traditional resizing methods. This thesis explores and advances adaptive resizing techniques to enhance medical image analysis. Initial work affirmed the superiority of an existing adaptive resizer over bilinear interpolation for colorectal gland segmentation on the CRAG dataset, improving Intersection over Union (IoU) by up to 8.2%. Building on this, the primary contribution is the development and rigorous evaluation of six novel adaptive resizer architectures. These were designed to optimize both segmentation/classification performance and computational efficiency. The proposed resizers were tested on retinal vessel segmentation using the High-Resolution Fundus (HRF) dataset and diabetic retinopathy classification with the Indian Diabetic Retinopathy Image Dataset (IDRiD). Experimental results show the proposed architectures generally surpass existing methods. For segmentation, 'Resizer MFY' achieved the highest average IoU increase of +21.04% over bilinear interpolation. In classification, 'Resizer A2' proved most effective, with an average F1-score increase of +22.39% over bilinear. Critically, the 'Minimal V1' architecture consistently demonstrated the lowest computational overhead among the novel adaptive resizers. It offers significant performance improvements while being considerably more lightweight than other adaptive methods, including the original adaptive resizer. This research successfully demonstrates that these new adaptive resizers can significantly improve deep learning model accuracy in medical imaging. The work provides tailored, computationally considerate solutions, highlighting the importance of the resizing strategy in the analysis pipeline and paving the way for more effective diagnostic tools.