Year 2021, Volume , Issue 23, Pages 781 - 786 2021-04-30

Sentetik Pap-Smear Hücre Çekirdeği Üretiminde Üretici Çekişmeli Ağların Kullanılması

Sara ALTUN [1] , Fatih TALU [2]


Sentetik görüntü üretimi geçmişten günümüze kadar araştırma alanı olmuştur. Çeşitli algoritmalar ile sentetik (sahte) görüntü üretimi yapılmaktadır. İncelenen sentetik görüntü üretme yöntemleri derin öğrenmeye dayanan üretici çekişmeli ağlar (GANs)’dır. GAN’lar üretici ve ayrıştırıcı olmak üzere iki sinir ağına sahiptir. Üretici ağ sentetik görüntü ya da sinyal üretirken; ayrıştırıcı ağ orijinal görüntü ya da sinyal ile üretilmiş sentetik görüntünün ya da sinyalin benzerliğini olasılıksal olarak ölçmektedir. GAN yöntemlerinden Döngüsel Üretici Çekişmeli Ağ ( CycleGAN ) ve Görüntüden Görüntüye Çeviren Ağ (Pix2pix) yöntemleri sentetik görüntü üretirken görüntüden görüntüye çeviri yapılabilme yeteneğine sahip olduğundan hücre çekirdeği üretirken uygun yöntemler olarak belirlenmiştir. CycleGAN, bir üretici ve bir ayrıştırıcı ağa sahiptir. Üretici, sahte görüntüleri üretirken; ayrıştırıcı, sahte görüntüler ile gerçek görüntüleri ayırt etmeye çalışır. CycleGAN, bir görüntüyü 𝑋 kaynak alanından eşleştirilmiş örneklerin yokluğunda bir hedef alan 𝑌’ye dönüştüren öğrenme yaklaşımı sunulur. Bu model iki “otokodlayıcı” eğitimi olarak görülebilir. Bir otokodlayıcıyı 𝐹 ∘ 𝐺: 𝑋 → 𝑋 ile bir başka otokodlayıcı olan 𝐺 ∘ 𝐹: 𝑌 → 𝑌 ile ortaklaşa öğrenir. Pix2pix’in girişi bir görüntüdür. Pix2pix, giriş görüntüsünden çıktı görüntüsüne dönüşümü eğitir. Pix2pix, bir tane sentetik görüntü üreten üretici ağa ve bu sentetik görüntü ile gerçek görüntüyü ayırt edebilecek olan ayrıştırıcı ağa sahiptir. Bu çalışmada, 256x256 boyutunda görüntüler kullanılmış olup 256x256 boyutunda sonuçlar elde edilir. İki yöntemin zaman ve benzerlik indeksleri açısından karşılaştırması yapılıp verimliliği incelenmiştir. Sonuçlar tablo ve şekil olarak gösterilmiştir. Uygulama için MATLAB 2019b kullanılmıştır. Görüntüden görüntüye dönüşümde GAN yöntemlerinin verimli sonuçlar verdiği gözlemlenmektedir. Medikal görüntü üretirken deneysel sonuçlara göre CycleGAN yöntemi ile Pix2pix yöntemi kıyaslandığında istenilen sonuca ulaşma bakımından pix2pix yöntemi tercih edilebilir.
Sentetik Görüntü Üretimi, Üretici Çekişmeli Ağlar, CycleGAN, Pix2pix
  • ALTUN, S., & TALU, M. F. (2019, October). Aynı Şartlar Altında Farklı Üretici Çekişmeli Ağların Karşılaştırılması. In 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-6). IEEE.
  • BARIŞKAN, M. A., Orman, Z., & ŞAMLI, R. Common Generative Adversarial Network Types and Practical Applications. Avrupa Bilim ve Teknoloji Dergisi, 585-590.
  • Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. In Proceedings of the IEEE international conference on computer vision (pp. 2223-2232).
  • Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134).
  • Efros, A. A., & Leung, T. K. (1999, September). Texture synthesis by non-parametric sampling. In Proceedings of the seventh IEEE international conference on computer vision (Vol. 2, pp. 1033-1038). IEEE.
  • Hertzmann, A., Jacobs, C. E., Oliver, N., Curless, B., & Salesin, D. H. (2001, August). Image analogies. In Proceedings of the 28th annual conference on Computer graphics and interactive techniques (pp. 327-340).
  • Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440).
  • Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. In Advances in neural information processing systems (pp. 2672-2680).
  • Sangkloy, P., Lu, J., Fang, C., Yu, F., & Hays, J. (2017). Scribbler: Controlling deep image synthesis with sketch and color. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 5400-5409).
  • Karacan, L., Akata, Z., Erdem, A., & Erdem, E. (2016). Learning to generate images of outdoor scenes from attributes and semantic layouts. arXiv preprint arXiv:1612.00215.
  • Sato, M., Hotta, K., Imanishi, A., Matsuda, M., & Terai, K. (2018, January). Segmentation of Cell Membrane and Nucleus by Improving Pix2pix. In BIOSIGNALS (pp. 216-220).
  • Wang, X., Yan, H., Huo, C., Yu, J., & Pant, C. (2018, August). Enhancing Pix2pix for remote sensing image classification. In 2018 24th International Conference on Pattern Recognition (ICPR) (pp. 2332-2336). IEEE.
  • Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image style transfer using convolutional neural networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2414-2423).
Primary Language tr
Subjects Engineering
Journal Section Articles
Authors

Orcid: 0000-0003-2877-7105
Author: Sara ALTUN (Primary Author)
Institution: INONU UNIVERSITY
Country: Turkey


Orcid: 0000-0003-1166-8404
Author: Fatih TALU
Institution: İNÖNÜ ÜNİVERSİTESİ
Country: Turkey


Dates

Publication Date : April 30, 2021

APA Altun, S , Talu, F . (2021). Sentetik Pap-Smear Hücre Çekirdeği Üretiminde Üretici Çekişmeli Ağların Kullanılması . Avrupa Bilim ve Teknoloji Dergisi , (23) , 781-786 . DOI: 10.31590/ejosat.840114