Kolonoskopi Görüntülerinde Polip Segmentasyonu: Klasik Yöntemler ve U-Net Tabanlı Eğitim Yapılandırmalarının Karşılaştırmalı Analizi

Yüncü M., Toktaş F.

27.Otomatik Kontrol Ulusal Konferansı (TOK 2026), Ankara, Türkiye, 8 - 10 Ekim 2026, ss.1-7, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Ankara
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-7
  • Ankara Üniversitesi Adresli: Evet

Özet

Bu çalışmada Kvasir-SEG veri setinde Otsu Eşikleme, Watershed, Rastgele Orman, temel U-Net, veri artırma ve Dice–FL (Focal Loss) ile yapılandırılmış U-Net (çalışmada ColoFUSENet olarak adlandırılmıştır) ve Attention U-Net karşılaştırılmıştır. Yeni bir mimari blok veya katman önermeyen ColoFUSE-Net; veri artırma, Dice kaybı ve Odak Kayıp (Focal Loss) bileşimiyle optimize edilmiş bir U-Net eğitim yapılandırmasını ifade etmektedir. Performans 150 görüntülük ayrılmış test bölümünde değerlendirilmiştir. Temel U-Net 0,812±0,005 Dice ve 0,727±0,005 IoU (Intersection over Union) ile klasik yöntemleri aşarken, ColoFUSE-Net 0,811±0,004 ve Attention U-Net 0,808±0,008 Dice elde etmiştir. Beş rastgele başlangıçtaki farklar sınırlı kalmış; paired bootstrap analizi de bu farkların güven aralığının sıfırı içerdiğini doğrulamıştır. Beş tohumla tekrarlanan eşit epoklu ablasyonda veri artırma Dice skorunu ortalama 0,042 artırmıştır. U-Net’in deterministik GPU ileri geçiş süresi 36,22 ms olarak ölçülmüştür. Bulgular, U-Net tabanlı yöntemlerin etkili olduğunu ve veri artırmanın incelenen eğitim değişiklikleri arasında en belirgin kazanımı sağladığını göstermektedir

In this study, Otsu thresholding, Watershed, Random Forest, a baseline U-Net, a U-Net configuration incorporating data augmentation and a combination of Dice loss and Focal Loss (referred to as ColoFUSE-Net), and Attention U-Net were compared using the Kvasir-SEG dataset. ColoFUSE-Net does not propose a new architectural block or layer; rather, it represents a U-Net training configuration optimized through the use of data augmentation, Dice loss, and Focal Loss. Performance was evaluated on a held-out test set consisting of 150 images. The baseline U-Net outperformed classical methods, achieving a Dice score of 0.812±0.005 and an IoU (Intersection over Union) of 0.727±0.005, while ColoFUSE-Net and Attention U-Net achieved Dice scores of 0.811±0.004 and 0.808±0.008, respectively. Variations across five random initializations remained limited, and a paired bootstrap analysis confirmed that the confidence intervals for these differences included zero. In an ablation study—repeated across five random seeds for an equal number of epochs—data augmentation improved the Dice score by an average of 0.042. The deterministic GPU forward-pass time for the U-Net was measured at 36.22 ms. These findings indicate that U-Net-based methods are effective and that, among the training modifications examined, data augmentation yields the most significant performance gain.