PapSmear görsellerinin otomatik olarak rahim ağzı kanser varlığının tespit edilmesi aktif bir
çalışma alanıdır. PapSmear görüntülerinde nesnelerin dağılımı sürekli yer değiştirmektedir. Bu
çalışmada, Çekişmeli Üretken Ağlar (ÇÜA) ve karşılaştırmalı öğrenme tekniklerinden parça tabanlı
yöntemler kullanılarak PapSmear görüntü bölütlemesi yapılmıştır. Kıyaslanan yöntemler CycleGAN,
CUT, FastCUT, DCLGAN ve SimDCL yöntemidir. Tüm yöntemler eşlenmemiş görüntüler üzerinde
çalışmaktadır. Bu yöntemler bir birlerini temel alarak geliştirilmişlerdir. DCLGAN ve SimDCL yöntemi
CUT ve CycleGAN yönteminin birleşimidir. Bu yöntemlerde maliyet fonksiyonları, ağ sayıları
değişkenlik göstermektedir. Bu çalışmada yöntemler ayrıntılı bir şekilde incelenmiştir. Yöntemlerin
birbirine benzerlik ve farklılıkları gözlemlenmiştir. Bölütleme yapıldıktan sonra hem görsel hem de
ölçüm metrikleri kullanılarak bulunan sonuçlara yer verilmiştir. Ölçüm metriği olarak FID, KID, PSNR
ve LPIPS yöntemleri kullanılmıştır. Yapılan deneysel çalışmalar, DCLGAN ve SimDCL yönteminin
PapSmear bölümletlemede kıyaslanan yöntemler arasında daha iyi oldukları olduğu gözlemlenmiştir.
CycleGAN yönteminin ise diğer yöntemlerden daha başarısız olduğu gözlemlenmiştir.
Görüntü bölütleme derin öğrenme evrişimsel sinir ağı çekişmeli üretken ağlar karşılaştırmalı öğrenme
İnönü Üniversitesi BAP birimi
FDK-2021-2675
Bu çalışma İnönü Üniversitesi Bilimsel Araştırma ve Koordinasyon birimi tarafından “FDK-2021-2675” proje numarası ile finanse edilmiştir. İnönü Üniversitesi’ne teşekkürlerimizi sunarız.
Automatically detecting the presence of cervical cancer in PapSmear images is an active
field of study. The distribution of objects in PapSmear images is constantly changing. In this study,
PapSmear image segmentation was performed by using patch-based methods from Generative
Adversarial Networks (GAN) and contrastive learning techniques. The methods compared are
CycleGAN, CUT, FastCUT, DCLGAN and SimDCL methods. All methods work on unpaired images.
These methods were developed on the basis of each other. DCLGAN and SimDCL method is a
combination of CUT and CycleGAN methods. In these methods, cost functions and network numbers
vary. In this study, the methods were examined in detail. Similarities and differences between the
methods were observed. After segmentation, the results obtained using both visual and measurement
metrics are included. FID, KID, PSNR and LPIPS methods were used as measurement metrics.
Experimental studies have shown that DCLGAN and SimDCL method are better among the compared
methods in PapSmear segmentation. It has been observed that the CycleGAN method is more
unsuccessful than other methods.
Image segmentation deep learning convolutional neural network adversarial generative networks contrastive learning
FDK-2021-2675
Birincil Dil | Türkçe |
---|---|
Konular | Yapay Zeka |
Bölüm | PAPERS |
Yazarlar | |
Proje Numarası | FDK-2021-2675 |
Erken Görünüm Tarihi | 5 Haziran 2022 |
Yayımlanma Tarihi | 6 Haziran 2022 |
Gönderilme Tarihi | 19 Aralık 2021 |
Kabul Tarihi | 29 Ocak 2022 |
Yayımlandığı Sayı | Yıl 2022 Cilt: Vol: 7 Sayı: Issue: 1 |
The Creative Commons Attribution 4.0 International License is applied to all research papers published by JCS and
a Digital Object Identifier (DOI) is assigned for each published paper.