Çekişmeli üretici ağlar (GAN) ile yüksek çözünürlükte görüntü oluşturma ve değerlendirme / High resolution image creation and evaluation with adversitive generative networks(GAN)

Abstract

Biyomedikal görüntüler üzerinde hastalıkların teşhis ve tedavi süreçlerinin daha doğru ve güvenilir bir biçimde ilerlemesi önemlidir. Biyomedikal görüntüler bazen düşük çözünürlüğe sahip olabilir bu durum hastalığın tespitini olumsuz yönde etkilemektedir. Tedavi süreçlerinin doğru biçimde ilerlemesi için yüksek çözünürlüğe sahip imgeler üzerinde veya düşük çözünürlükteki imgelerin yüksek çözünürlüğe dönüştürülmesi gerekir. Çalışmamız, düşük çözünürlüklü renkli görüntülerin yüksek çözünürlüklü ve detaylı hale getirilmesi amacıyla GAN mimarilerinden biri olan SRGAN modeli kullanılmıştır. SRGAN, görüntü iyileştirme ve dönüşüm işlemlerinde yüksek performans sağlayarak görsel kalitenin artırılmasında etkili bir yöntem sunmaktadır. Tez de kullanılan veri setleri, tıbbi görüntüleme alanında yaygın olarak kullanılan cilt kanseri, kan hücresi kanseri ve retina fundus veri setlerinden oluşmaktadır. Cilt kanseri veri setinde deri yüzeyindeki ince detayların daha net bir şekilde görselleştirilmesi sağlanırken, kan hücresi kanseri veri setinde hücre yapılarını belirginleştirerek tanıya destek sunulmuştur. Retina fundus veri setinde ise göz damar yapıları detaylandırılmış ve çözünürlük artırılarak tanısal analiz için uygun hale getirilmiştir. Modelin başarımını değerlendirmek için Structural Similarity Index (SSIM) ve Peak Signal-to-Noise Ratio (PSNR) metrikleri kullanılmıştır. Performans değerlendirmesinde, SRGAN modeli Cilt Kanseri veri setinde 31.06 PSNR ve %85.84 SSIM, Kan Hücresi Kanseri veri setinde, 30.97 PSNR ve %88.18 SSIM retina fundus veri setinde %94.30 SSIM ve 30.71 PSNR değerleri ile umut verici bir sonuç ortaya çıkmıştır. Elde edilen bulgular hem yapısal hem de görsel kalite açısından üstün performans gösterdiğini kanıtlar niteliktedir.