Öğrenme hedefleri
Bu haftanın sonunda:
- 1 Evrişim, adım, dolgu ve havuzlamanın alıcı alan ve parametre sayısına etkisini hesaplar.
- 2 ImageNet ön-eğitimli bir ağı tıbbi görüntüye transfer eder; dondurma/ince ayar stratejilerini karşılaştırır.
- 3 U-Net'in kodlayıcı–kod çözücü ve atlama bağlantılarını açıklar; Dice ve IoU ile segmentasyon başarımını değerlendirir.
- 4 Tıbbi görüntüde kısayol öğrenme (cihaz etiketi, hastane imzası) ve dağıtım kayması risklerini tanır; hasta-bazlı bölmeyi uygular.
Ders Notları
Ayrıntılı notlar ve türetimler ders yaklaştıkça buraya eklenecektir.
Temel Kavramlar
- Evrişim — Öğrenilen küçük filtrelerin görüntü üzerinde kaydırılması; öteleme eşdeğerliği ve parametre paylaşımı sağlar.
- Transfer öğrenme — Büyük doğal görüntü kümesinde öğrenilen filtrelerin tıbbi görüntüde yeniden kullanımı; az veride başarımın anahtarı.
- U-Net — Piksel düzeyinde sınıflandırma için simetrik kodlayıcı–kod çözücü; atlama bağlantıları ince ayrıntıyı korur.
- Dice katsayısı — Tahmin ve referans maskelerinin örtüşmesi (2|A∩B|/(|A|+|B|)); küçük lezyonlarda doğruluktan çok daha bilgilendirici.
- Kısayol öğrenme — Modelin hastalık yerine görüntüdeki ilgisiz ipucunu (portatif cihaz etiketi) öğrenmesi; dış veride çöküşün ana nedeni.
Biyomedikal Uygulama Örnekleri
- Zech ve ark. (2018): Göğüs röntgeninde pnömoni modelinin hastane kaynağını öğrenmesi ve dış hastanede AUC düşüşü.
- MedMNIST PathMNIST’te ResNet-18 ince ayarı; DermaMNIST’te sınıf dengesizliği ve makro-F1.
- Kardiyak MR’da sol ventrikül segmentasyonu için U-Net: Dice 0.90’ın klinik olarak yeterli olduğu ve olmadığı durumlar.
Uygulama / Laboratuvar
PneumoniaMNIST’te (1) sıfırdan küçük bir CNN, (2) dondurulmuş ResNet-18 + yeni baş, (3) tam ince ayar stratejilerini karşılaştırın; veri artırmanın etkisini ölçün. Ardından küçük bir segmentasyon setinde U-Net eğitip Dice/IoU raporlayın. Colab GPU kullanın.
Tartışma Soruları
- Radyoloji görüntüsünde %95 doğru bir sınıflandırıcı neden dış hastanede %70’e düşebilir? Bunu dağıtımdan önce nasıl öngörürsünüz?
- Segmentasyonda piksel doğruluğu yerine Dice kullanmanın gerekçesi nedir?
Haftanın Özeti
Görüntüden öğrenen ağları kurduk, transfer ettik ve segmentasyon yaptık; tıbbi görüntünün özgün tuzaklarını gördük. 13. haftada Grad-CAM ile bu ağların ‘nereye baktığını’ göstereceğiz.
Bu haftanın veri setleri
- MedMNIST v2 — Hafif, standart tıbbi görüntü setleri (Path, Derma, Pneumonia, OrganA).
- ISIC Archive — Dermatoskopik görüntü.
- Kaggle: Chest X-Ray Images (Pneumonia) — Kısayol öğrenme tartışması için.
Araçlar ve kütüphaneler
- PyTorch
- torchvision
- MONAI
- MedMNIST
Okuma listesi
- MakaleRonneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015.
- MakaleZech JR ve ark. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs. PLOS Med 2018. — Kısayol öğrenme.
- MakaleYang J ve ark. MedMNIST v2. Sci Data 2023.
- KitapGoodfellow ve ark. Deep Learning, Bölüm 9 (Convolutional Networks).
Etiketler:CNNResNetU-Netsegmentasyontransfer öğrenmeDiceIoUveri artırmakısayol öğrenmeMedMNIST