Polyp Segmentation with Deep Learning: Utilizing DeeplabV3+ Architecture and Various CNN Backbones

Yaren Akgöl; Buket Toptaş

Makale detayları

Polyp Segmentation with Deep Learning: Utilizing DeeplabV3+ Architecture and Various CNN Backbones

Yazarlar:

Yaren Akgöl | Buket Toptaş

Yayıncı:

Dicle University

Ana Başlıklar:

Görüntü İşleme | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.797-805

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001334533

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 Polyps are abnormal tissue growths that often serve as early indicators for various types of cancer. Early detection is crucial in the treatment of diseases like colorectal cancer, which has a high mortality rate. There is a significant need for automated diagnostic systems to detect these cancers efficiently. This article introduces a deep learning-based model utilizing the Deeplabv3 architecture, which has been augmented with four different convolutional neural network backbones. The enhanced architectures have been tested on the publicly available Kvasir-SEG and CVC-ClinicDB datasets for the task of polyp segmentation. Experimental studies have shown that the best results for the Kvasir-SEG dataset were achieved using the ResNet50 architecture, while the highest performance on the CVC-ClinicDB dataset was obtained with the SqueezeNet architecture.

 Polyps are abnormal tissue growths that often serve as early indicators for various types of cancer. Early detection is crucial in the treatment of diseases like colorectal cancer, which has a high mortality rate. There is a significant need for automated diagnostic systems to detect these cancers efficiently. This article introduces a deep learning-based model utilizing the Deeplabv3 architecture, which has been augmented with four different convolutional neural network backbones. The enhanced architectures have been tested on the publicly available Kvasir-SEG and CVC-ClinicDB datasets for the task of polyp segmentation. Experimental studies have shown that the best results for the Kvasir-SEG dataset were achieved using the ResNet50 architecture, while the highest performance on the CVC-ClinicDB dataset was obtained with the SqueezeNet architecture.

 Polyps are abnormal tissue growths that often serve as early indicators for various types of cancer. Early detection is crucial in the treatment of diseases like colorectal cancer, which has a high mortality rate. There is a significant need for automated diagnostic systems to detect these cancers efficiently. This article introduces a deep learning-based model utilizing the Deeplabv3 architecture, which has been augmented with four different convolutional neural network backbones. The enhanced architectures have been tested on the publicly available Kvasir-SEG and CVC-ClinicDB datasets for the task of polyp segmentation. Experimental studies have shown that the best results for the Kvasir-SEG dataset were achieved using the ResNet50 architecture, while the highest performance on the CVC-ClinicDB dataset was obtained with the SqueezeNet architecture.

 Polipler, anormal doku büyümeleri olup birçok kanser türünün erken habercisidir. Erken teşhis, özellikle ölüm oranı yüksek olan kolorektal kanser gibi hastalıkların tedavisinde hayati öneme sahiptir. Bu kanserlerin tespit edilmesi için otomatik tanı sistemlerine ihtiyaç duyulmaktadır. Bu makalede, derin öğrenme tabanlı bir model olan Deeplabv3 mimarisi kullanılmış ve bu mimari dört farklı evrişimli sinir ağı omurgası ile güçlendirilmiştir. Güçlendirilmiş dört mimari, halka açık olarak verilen Kvasir-SEG ve CLINIC-DB veri setleri üzerinde polip segmentasyonu görevini gerçekleştirmiştir. Deneysel çalışmalarda Kvasir-SEG veri seti için en yüksek sonuçlar ResNet50 mimarisi ile elde edilirken, CVC-ClinicDB veri seti için en yüksek sonuçlar SqueezeNet mimarisi ile elde edilmiştir.

Makale detayları

Polyp Segmentation with Deep Learning: Utilizing DeeplabV3+ Architecture and Various CNN Backbones

Yazarlar:

Yaren Akgöl | Buket Toptaş

Yayıncı:

Dicle University

Ana Başlıklar:

Görüntü İşleme | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.797-805

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001334533

pISSN:

1309-8640

polyp segmentation

deeplabv3+

colorectal cancer

colon cancerPolip Bölütleme

Deeplabv3+

kolorektal kanser

kolon kanseri

Sayı

Makale detayları

Yazarlar: Yaren Akgöl | Buket Toptaş

Yayıncı: Dicle University

Ana Başlıklar: Görüntü İşleme | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.797-805

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001334533

pISSN: 1309-8640

Sayı

Yazarlar:

Yaren Akgöl | Buket Toptaş

Yayıncı:

Dicle University

Ana Başlıklar:

Görüntü İşleme | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.797-805

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001334533

pISSN:

1309-8640