{"title":"CLASSIFICATION OF ENDOSCOPIC IMAGES USING CNN ARCHITECTURE BASED ON FEATURE INTEGRATION","authors":"Hüseyin Üzen, Hüseyin Fırat","doi":"10.17780/ksujes.1362792","DOIUrl":null,"url":null,"abstract":"Derin öğrenme (DL) tekniklerindeki son gelişmeler, tıbbi görüntüler kullanılarak gastrointestinal (GI) hastalıkların sınıflandırılmasını otomatikleştirmek için umut verici bir potansiyel göstermektedir. Zamanında ve kesin teşhis, tedavi etkinliğini önemli ölçüde etkilemektedir. Bu araştırma, GI hastalıklarını tanımlamak için yeni bir DL tabanlı modeli tanıtmaktadır. Bu model, önceden eğitilmiş ağ mimarilerinin ara katmanlarından elde edilen öznitelikleri birleştirerek sınıflandırma işlemini gerçekleştirmektedir. Öznitelik entegrasyonuna dayalı evrişimsel sinir ağı (ESA) olarak adlandırılan bu modelde, endoskopik görüntüleri sınıflandırmak için önceden eğitilmiş ağ mimarilerinin yüksek ve düşük seviyeli öznitelikleri birleştirilerek nihai öznitelik haritası elde edilmektedir. Daha sonra bu öznitelik haritası sınıflandırma için kullanılmaktadır. Kvasirv2 veri seti kullanılarak yapılan deneysel analizler sonucunda, önerilen model ile başarılı bir performans elde edilmiştir. Özellikle, DenseNet201 modelinin ara katmanlarındaki özelliklerin birleştirilmesi, sırasıyla %94.25, %94.28, %94.24 ve %94.24 doğruluk, kesinlik, duyarlılık ve F1 puanı ile sonuçlanmıştır. Diğer ESA tabanlı önceden eğitilmiş modellerle ve son çalışmalarla yapılan karşılaştırmalı analizler, önerilen modelin üstünlüğünü ortaya koymuş ve doğruluğu %94.25'e yükseltmiştir. Bu, endoskopik görüntülerden GI hastalık tespitinde gelişmiş sınıflandırma doğruluğu için DenseNet201'in ara katmanlarındaki özelliklerden yararlanma potansiyelinin altını çizmektedir.","PeriodicalId":508025,"journal":{"name":"Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi","volume":"73 4","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-03-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.17780/ksujes.1362792","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Derin öğrenme (DL) tekniklerindeki son gelişmeler, tıbbi görüntüler kullanılarak gastrointestinal (GI) hastalıkların sınıflandırılmasını otomatikleştirmek için umut verici bir potansiyel göstermektedir. Zamanında ve kesin teşhis, tedavi etkinliğini önemli ölçüde etkilemektedir. Bu araştırma, GI hastalıklarını tanımlamak için yeni bir DL tabanlı modeli tanıtmaktadır. Bu model, önceden eğitilmiş ağ mimarilerinin ara katmanlarından elde edilen öznitelikleri birleştirerek sınıflandırma işlemini gerçekleştirmektedir. Öznitelik entegrasyonuna dayalı evrişimsel sinir ağı (ESA) olarak adlandırılan bu modelde, endoskopik görüntüleri sınıflandırmak için önceden eğitilmiş ağ mimarilerinin yüksek ve düşük seviyeli öznitelikleri birleştirilerek nihai öznitelik haritası elde edilmektedir. Daha sonra bu öznitelik haritası sınıflandırma için kullanılmaktadır. Kvasirv2 veri seti kullanılarak yapılan deneysel analizler sonucunda, önerilen model ile başarılı bir performans elde edilmiştir. Özellikle, DenseNet201 modelinin ara katmanlarındaki özelliklerin birleştirilmesi, sırasıyla %94.25, %94.28, %94.24 ve %94.24 doğruluk, kesinlik, duyarlılık ve F1 puanı ile sonuçlanmıştır. Diğer ESA tabanlı önceden eğitilmiş modellerle ve son çalışmalarla yapılan karşılaştırmalı analizler, önerilen modelin üstünlüğünü ortaya koymuş ve doğruluğu %94.25'e yükseltmiştir. Bu, endoskopik görüntülerden GI hastalık tespitinde gelişmiş sınıflandırma doğruluğu için DenseNet201'in ara katmanlarındaki özelliklerden yararlanma potansiyelinin altını çizmektedir.