Çekişmeli Üretici Ağlar ve Model Tümleştirme Teknikleri Kullanarak Aaktarımlı Öğretimde Veri ve Model Tabanlı Performans İyileştirme
Tez Türü: Doktora
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı, Türkiye
Tez Danışmanı: Prof. Dr. Mustafa Alper Selver
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Özet:
Derin öğrenme teknikleri, çok sayıda disiplinde karmaşık problemleri çözmede önemli bir potansiyel sergilemektedir; ancak başarıları, büyük ölçekli etiketli veri setlerine ve hesaplama açısından verimli model mimarilerine olan bağımlılık nedeniyle sınırlanmaktadır. Yüksek kaliteli verilerin yetersizliği ve mevcut modellerin sınırlılıkları performans önünde önemli engeller oluşturmaktadır. “Çekişmeli Üretici Ağlar ve Model Tümleştirme Teknikleri Kullanılarak Aktarımlı Öğretimde Veri ve Modele Dayalı Performans İyileştirme” başlıklı bu tez, söz konusu zorlukları farklı açılardan ele almakta ve sentetik veri üretimi, aktarımlı öğrenme, model birleştirme ve veri seti oluşturma stratejileri önermektedir. Böylece hem makine öğrenmesi yöntemlerinin geliştirilmesine hem de uygulamalı alanlarda performans artışına katkı sağlanmaktadır.
Tezin ilk bölümü, saçılan sinyal verilerinden hedef sınıflandırmasına odaklanmaktadır. Derin öğrenme modelleri geniş çaplı eğitim verisi gerektirmekte; ancak gerçek yaşamda karmaşık hedefler için yeterli sayıda örnek bulunmamaktadır. Bu sorunu aşmak için, çekişmeli üretici ağlar ile sentetik sinyaller üretilerek modelin daha etkin bir şekilde öğrenmesi sağlanmıştır. Önerilen yaklaşımda, modeller öncelikle temel hedeflerin analitik olarak simüle edilmiş tek boyutlu saçılan verileri ile eğitilmiş, ardından gerçek hedeflerden ölçülmüş sinyaller kullanılarak aktarımlı öğrenme yoluyla ince ayar yapılmıştır. Son aşamada ise, ince ayar yapılmış modellerin tamamlayıcı özellikleri birleştirilerek bir topluluk modeli (ensemble) geliştirilmiş ve mevcut yöntemlere kıyasla doğruluk, duyarlılık ve özgüllük açısından üstün performans elde edilmiştir.
Tezin ikinci bölümü, diş hekimliğinde kritik öneme sahip bir probleme odaklanmaktadır: mandibular üçüncü molar (M3M) ile inferior alveolar kanal (IAC) arasındaki temasın belirlenmesi. Panoramik radyografi (PR), başlangıçta standart görüntüleme yöntemidir; ancak sınırlılıkları nedeniyle uzman görüşleri arasında farklılıklar oluşmakta ve genellikle ek olarak konik ışınlı bilgisayarlı tomografi (CBCT) gerekmektedir. CBCT’nin erişilebilirliğinin düşük olması ve ek radyasyon yükü dezavantaj oluşturmaktadır. Bu çalışmada, CBCT ile doğrulanmış 1.478 M3M–IAC çifti içeren ve titizlikle etiketlenmiş, çok modelli verilerden oluşturulmuş ilk halka açık PR veri seti sunulmaktadır. Ayrıca, klinikte kullanılan radyolojik göstergeler el yapımı özellikler olarak çıkarılmış ve derin öğrenme tabanlı özelliklerle birlikte analiz edilmiştir. Deneysel sonuçlar, yapay sinir ağlarının (YSA), hibrit ve birleştirilmiş modellerin hem derin öğrenme modellerinden hem de uzmanlar arası değerlendirmelerden daha yüksek doğruluk ve güvenilirlik sağladığını göstermektedir.
Tezin üçüncü bölümü ise karaciğer damar yapılarının abdominal bilgisayarlı tomografi anjiyografisi (CTA) görüntülerinden segmentasyonuna odaklanmaktadır. Bu görev, klinik açıdan büyük önem taşımasına rağmen damar anatomisinin karmaşıklığı, bireyler arası değişkenlik ve görüntüleme artefaktları nedeniyle zorludur. Bu çalışmada, karaciğer nakli donör adaylarına ait 40 CTA görüntüsünden oluşan ve titizlikle etiketlenmiş yeni bir veri seti olan VEELA (Vessel Extraction and Extrication for Liver Analysis) sunulmaktadır. VEELA, hem hepatik hem de portal venleri, damarların oldukça ince ve zor seçilen periferik kısımlarına kadar kapsamlı şekilde anotasyonlamasıyla benzerlerinden ayrılmaktadır. Çeşitli derin öğrenme modelleri üzerinde yapılan karşılaştırmalı analizler, temel performans ölçütlerini ortaya koymakta ve mevcut sınırlılıkları göstermektedir. Veri seti ve eğitimli modeller, CHAOS yarışmasının devamı niteliğindeki VEELA Grand Challenge aracılığıyla araştırmacıların kullanımına sunulmuştur.
Sonuç olarak, bu tez, derin öğrenmenin performansını kısıtlayan veri yetersizliği ve model sınırlılıklarını aşmaya yönelik yenilikçi katkılar sunmaktadır. Üretici ağ tabanlı sentetik veri üretimi, aktarımlı öğrenme, model birleştirme ve kamuya açık veri setleri oluşturma yoluyla hem yöntemsel hem de uygulamalı düzeyde ilerlemeler sağlanmıştır. Önerilen yaklaşımların sinyal sınıflandırma, dental radyografi ve karaciğer görüntüleme alanlarına uygulanması, geliştirilen yöntemlerin çok yönlülüğünü ve dönüştürücü potansiyelini ortaya koymaktadır. Bu katkılar, farklı bilimsel ve klinik alanlarda daha doğru, erişilebilir ve genellenebilir çözümler için bir temel oluşturmaktadır.