Tıbbi Görüntü Bölütleme için MMIAU-Net Mimarisi Önerisi

Derin öğrenme; başta tıbbi görüntü segmentasyonu olmak üzere birçok alanda başarılı sonuçlar elde eden bir yapay zeka yöntemidir. İnsan sağlığı için hayati önem taşıyan medikal görüntülerde, hassas analiz yapılarak kesin sonuçlara varılması mühimdir. Derin öğrenme yöntemleri yüksek hesaplama karmaşıklığı sayesinde gözden kaçabilecek en küçük hastalık detayını bile yakalayabilmektedir. U-Net derin öğrenme modeli bu alandaki yüksek başarısından dolayı en popüler mimaridir. Ancak segmentasyondaki doğruluk değerleri her veri kümesinde farklı sonuçlar verdiğinden performansının iyileştirilmesine her daim ihtiyaç vardır. Kapsamlı karşılaştırma yapabilmek için bu çalışmada, herkesin erişimine açık olan PH2, BOWL 2018, CVC-ClinicDB olmak üzere üç bağımsız tıbbi veri kümesi kullanılmış ve U-Net, U-Net++, Attention U-Net, Residual U-Net, Residual Attention U-Net, TransUNet ile Swin-Unet ve son olarak da bu çalışma için modifiye edilen Self Attention U-Net ve MMIAU-Net ile eğitimler yapılmıştır. Analizler sonucunda önerilen MMIAU-Net modelin daha az parametre kullanarak daha yüksek performanslara ulaştığı görülmüştür.