{"title":"深度学习研究中使用断层合成图像的图像预处理方法文献综述","authors":"Elif Aydingöz, Mert Bal","doi":"10.31590/ejosat.1312965","DOIUrl":null,"url":null,"abstract":"Bu makale, tomosentez görüntülerinin derin öğrenme çalışmalarında kullanılmasına odaklanarak, görüntü ön işleme yöntemleri üzerine bir literatür araştırması sunmaktadır. Tomosentez, meme dokusunun 3 boyutlu, kesitsel olarak taranmasını sağlayan gelişmiş bir tıbbi görüntüleme tekniğidir. Bu teknikle elde edilen görüntüler 2 boyutlu mamografilere oranla daha yüksek boyutlu olduğu gibi daha gürültülü de olabilirler. Bu nedenle bu görüntülerin derin öğrenme modellerine uygun hale getirilmesi için ön işleme yapılması gerekmektedir. Bu literatür araştırması, tomosentez görüntülerinde kullanılan farklı ön işleme yöntemlerini ele almaktadır. Öncelikle Tomosentez görüntülerinin özellikleri ve derin öğrenme yöntemleri hakkında bir giriş yapılacaktır. Daha sonra, kullanılan ön işleme yöntemleri arasında yer alan filtreleme, normalizasyon, segmentasyon ve artırma gibi teknikler hakkında yapılan literatür araştırmasına ait bilgi verilecektir. Ayrıca, bu yöntemlerin bir arada kullanıldığı örnekler de incelenecektir. Sonuç olarak, bu makale ile Tomosentez görüntüleri üzerinde derin öğrenme çalışmaları yapmak isteyen araştırmacılara faydalı bir Türkçe kaynak sunmak hedeflenmektedir. Yapılan araştırma, görüntü ön işleme yöntemlerinin doğru seçiminin, derin öğrenme modellerinin performansını önemli ölçüde artırabileceğini göstermektedir.","PeriodicalId":12068,"journal":{"name":"European Journal of Science and Technology","volume":"71 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-07-06","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"A Literature Review on Image Preprocessing Methods Used in Deep Learning Studies Using Tomosynthesis Images\",\"authors\":\"Elif Aydingöz, Mert Bal\",\"doi\":\"10.31590/ejosat.1312965\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Bu makale, tomosentez görüntülerinin derin öğrenme çalışmalarında kullanılmasına odaklanarak, görüntü ön işleme yöntemleri üzerine bir literatür araştırması sunmaktadır. Tomosentez, meme dokusunun 3 boyutlu, kesitsel olarak taranmasını sağlayan gelişmiş bir tıbbi görüntüleme tekniğidir. Bu teknikle elde edilen görüntüler 2 boyutlu mamografilere oranla daha yüksek boyutlu olduğu gibi daha gürültülü de olabilirler. Bu nedenle bu görüntülerin derin öğrenme modellerine uygun hale getirilmesi için ön işleme yapılması gerekmektedir. Bu literatür araştırması, tomosentez görüntülerinde kullanılan farklı ön işleme yöntemlerini ele almaktadır. Öncelikle Tomosentez görüntülerinin özellikleri ve derin öğrenme yöntemleri hakkında bir giriş yapılacaktır. Daha sonra, kullanılan ön işleme yöntemleri arasında yer alan filtreleme, normalizasyon, segmentasyon ve artırma gibi teknikler hakkında yapılan literatür araştırmasına ait bilgi verilecektir. Ayrıca, bu yöntemlerin bir arada kullanıldığı örnekler de incelenecektir. Sonuç olarak, bu makale ile Tomosentez görüntüleri üzerinde derin öğrenme çalışmaları yapmak isteyen araştırmacılara faydalı bir Türkçe kaynak sunmak hedeflenmektedir. Yapılan araştırma, görüntü ön işleme yöntemlerinin doğru seçiminin, derin öğrenme modellerinin performansını önemli ölçüde artırabileceğini göstermektedir.\",\"PeriodicalId\":12068,\"journal\":{\"name\":\"European Journal of Science and Technology\",\"volume\":\"71 1\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-07-06\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"European Journal of Science and Technology\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.31590/ejosat.1312965\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"European Journal of Science and Technology","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31590/ejosat.1312965","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
摘要
本文介绍了有关图像预处理方法的文献调查,重点是断层合成图像在深度学习研究中的应用。断层扫描是一种先进的医学成像技术,可对乳腺组织进行三维横截面扫描。与二维乳房 X 线照片相比,该技术获得的图像维度更高、噪音更大。因此,需要对这些图像进行预处理,使其适合深度学习模型。本文献综述涉及断层扫描图像中使用的不同预处理方法。首先,将介绍断层合成图像的特性和深度学习方法。然后,将介绍滤波、归一化、分割和增强等技术,这些都是常用的预处理方法。此外,还将分析这些方法结合使用的实例。因此,本文旨在为希望对断层合成图像进行深度学习研究的研究人员提供有用的土耳其资源。研究表明,正确选择图像预处理方法可以显著提高深度学习模型的性能。
A Literature Review on Image Preprocessing Methods Used in Deep Learning Studies Using Tomosynthesis Images
Bu makale, tomosentez görüntülerinin derin öğrenme çalışmalarında kullanılmasına odaklanarak, görüntü ön işleme yöntemleri üzerine bir literatür araştırması sunmaktadır. Tomosentez, meme dokusunun 3 boyutlu, kesitsel olarak taranmasını sağlayan gelişmiş bir tıbbi görüntüleme tekniğidir. Bu teknikle elde edilen görüntüler 2 boyutlu mamografilere oranla daha yüksek boyutlu olduğu gibi daha gürültülü de olabilirler. Bu nedenle bu görüntülerin derin öğrenme modellerine uygun hale getirilmesi için ön işleme yapılması gerekmektedir. Bu literatür araştırması, tomosentez görüntülerinde kullanılan farklı ön işleme yöntemlerini ele almaktadır. Öncelikle Tomosentez görüntülerinin özellikleri ve derin öğrenme yöntemleri hakkında bir giriş yapılacaktır. Daha sonra, kullanılan ön işleme yöntemleri arasında yer alan filtreleme, normalizasyon, segmentasyon ve artırma gibi teknikler hakkında yapılan literatür araştırmasına ait bilgi verilecektir. Ayrıca, bu yöntemlerin bir arada kullanıldığı örnekler de incelenecektir. Sonuç olarak, bu makale ile Tomosentez görüntüleri üzerinde derin öğrenme çalışmaları yapmak isteyen araştırmacılara faydalı bir Türkçe kaynak sunmak hedeflenmektedir. Yapılan araştırma, görüntü ön işleme yöntemlerinin doğru seçiminin, derin öğrenme modellerinin performansını önemli ölçüde artırabileceğini göstermektedir.