Talu, MuhammedBozdağ, Zehra2026-04-042026-04-0420241309-86402146-4391https://doi.org/10.24012/dumf.1500666https://search.trdizin.gov.tr/tr/yayin/detay/1276120https://hdl.handle.net/11616/107716Derin öğrenme, nesne algılama/yer bulma, sentetik görüntü oluşturma, segmentasyon ve izleme gibi görüntü işlemeyle ilgili tüm alanlarda kullanılmaktadır. Özellikle tedavi sürecinde hızlı yanıt sağladığı için tıbbi görüntü segmentasyonu alanında sıkça kullanılmaktadır. Doğal histopatolojik görüntülerin farklı türde gürültüler, yapılar içermesi ve belirleyici niceliksel bilgilerin eksikliği, segmentasyon problemini çok zor hale getirmektedir. Yüksek parametreli klasik ağların uzun bir eğitim süresi vardır. Daha kısa bir eğitim süresi ve yüksek segmentasyon doğruluğu gereksinimi, bizi yeni bir hibrit ağ geliştirmeye yönlendirdi. Bu çalışma, histopatolojik görüntülerde segmentasyon gerçekleştirmek için bir oto-enkoder ağı (MSRSegNet) önermektedir. Geleneksel oto-enkoder yaklaşımlarından farklı olarak, kodlayıcı, füzyon ve kod çözme bloklarından oluşur. Kodlayıcı ve kod çözücü bloklarda, bloklar arasında bilgi paylaşmak ve farklı ölçeklerde özellikleri tespit etmek için çok ölçekli artık bloklar kullanılır. Füzyon bloğunda, çok ölçekli bağlamsal bilgileri korumak için Atrous Uzaysal Piramit Havuzlama (AUPH) modülü kullanılmaktadır. Bloklar arasındaki bilgi paylaşımı, önerilen yöntemin global özellikleri yakalama yeteneğini artırmıştır. Sonuçları karşılaştırmak için ortalama birlik üzerinden kesişim (mIoU) ve piksel doğruluğu (PA) performans parametreleri kullanılmıştır. Sonuç olarak, önerilen segmentasyon ağının yüksek doğruluğa (%69 mIoU) ve hızlı segmentasyon performansına (256x256 boyutunda bir görüntü için 0.061 saniye) sahip olduğu gözlemlenmiştir.eninfo:eu-repo/semantics/openAccessRadyolojiNükleer TıpTıbbi GörüntülemeBilgisayar BilimleriYapay ZekaArticle15362363210.24012/dumf.15006661276120