Year: 2026
Type: article
Abstract: Bu çalışmada, mikroskobik diyatom görüntülerinin piksel seviyesinde otomatik olarak segmentasyonu için derin öğrenme tabanlı anlamsal segmentasyon yaklaşımları ele alınmıştır. Diyatomların ince ve karmaşık morfolojik yapıları, değişken aydınlatma koşulları ve arka plan gürültüsü, klasik görüntü işleme yöntemleriyle güvenilir segmentasyon elde edilmesini zorlaştırmaktadır. Bu kapsamda, diyatom segmentasyonu problemine yönelik olarak U-Net, Attention U-Net ve DeepLabV3+ mimarileri karşılaştırmalı olarak değerlendirilmiştir. Çalışmada, 2197 adet yüksek çözünürlüklü mikroskobik görüntü ve bu görüntülere ait manuel olarak oluşturulmuş ikili segmentasyon maskelerinden oluşan bir veri seti kullanılmıştır. Tüm modeller, aynı veri bölünmesi, ortak eğitim stratejileri ve aynı değerlendirme ölçütleri altında eğitilmiştir. Segmentasyon performansı, Dice katsayısı, IoU, precision ve recall metrikleri kullanılarak analiz edilmiştir. Deneysel sonuçlar, Attention U-Net ve DeepLabV3+ modellerinin klasik U-Net’e kıyasla daha yüksek segmentasyon başarımı sunduğunu göstermiştir. Özellikle DeepLabV3+ modeli, 0,8372 Dice katsayısı ve 0,7728 IoU değeri ile en yüksek performansı elde ederek diyatom sınırlarını daha doğru ve tutarlı biçimde ayırt edebilmiştir. Görsel değerlendirmeler de, DeepLabV3+’ın ince ve uzun yapılı diyatomların segmentasyonunda daha pürüzsüz ve bütüncül sonuçlar ürettiğini ortaya koymuştur.
Authors: Esen Damla Balo Utku, Banu Kutlu
Institution: Munzur University
Language: Turkish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: bronze
OpenAlex ID: W7214770979