2nd International Conference on Data Science and Applications (ICONDATA’19), October 3-6, 2019, Balıkesir, TURKEY e-ISBN: 978-605-031-662-9 304 Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Biyomedikal Görüntüler Üzerinde Organ Tanıma Emre DANDIL 1 , Emre GÜLTEKİR 1 1 Bilecik Şeyh Edebali Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Bilecik, TÜRKİYE Özet Görüntü işleme ve bilgisayarlı görü alanlarındaki teknolojik gelişmelere bağlı olarak bilgisayar destekli tespit sistemlerinin gelişmesi ile anatomik görüntüler üzerinde organlar hakkında bilgi almak son yıllarda yaygın olarak tercih edilmektedir. Bu nedenle, biyomedikal görüntüler üzerinde organların tanınması, hastalıkların tespiti açısından son derece önemlidir. Bu çalışmada, derin öğrenmenin başarılı modellerinden birisi olan, Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları (DHB-ESA, Faster R-CNN) kullanılarak durağan 2B ve 3B görüntüler ve akan video üzerinde abdominal organların tanınması gerçekleştirilmiştir. GPU üzerinde gerçekleştirilen deneysel çalışmalarda, tüm organlar için ortalama %87 tanıma başarımı elde edilmiştir. Sonuç olarak, her gün çok fazla tıbbi görüntüyü yorumlayan radyologlara yardımcı olmak ve verimliliği artırmak için görüntülerin otomatik analizini yapabilecek ikincil bir araç geliştirilmiştir. Anahtar Kelimeler: Derin Öğrenme, Organ Tanıma, Biyomedikal Görüntü, Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları Organ Recognition on Biomedical Images using Faster Regional- Convolutional Neural Networks Abstract Depending on the technological developments in the fields of image processing and computer vision, the development of computer-assisted detection systems and obtaining information about organs on anatomical images are widely preferred in recent years. Therefore, recognition of organs on biomedical images is extremely important for the detection of diseases. In this study, recognition of abdominal organs on stationary 2D and 3D images and flowing video is performed using Faster R-CNN which is one of the successful models of deep learning. Experimental studies on GPU are obtained an average recognition rate of 87% for all organs. As a result, a secondary tool is developed that can perform automated analysis of images to assist radiologists who interpret a lot of medical images every day and to improve efficiency. Keywords: Deep Learning, Organ Recognition, Biomedical Image, Faster R-CNN 1 Giriş Görüntü işleme alanındaki teknolojik gelişmelere bağlı olarak bilgisayar destekli tespit sistemlerinin gelişmesi ile anatomik görüntüler üzerinde organlar hakkında bilgi almak son yıllarda yaygın olarak tercih edilmektedir. Görüntüler üzerinde elde edilen anatomik bilgiler, bir uzman hekimin eşliğinde bir bilgisayar destekli otomatik karar destek sistemi tarafından kullanılabilmektedir. Her gün çok fazla tıbbi görüntüyü yorumlayan radyologlara yardımcı olmak ve verimliliği artırmak için görüntülerin otomatik analizi gerekli olmaktadır [1]. Tıbbi görüntüler üzerinde organ tanıma, tıbbi verilerin analizinde önemli bir adımdır ve tanı, anatomik yapı çalışmaları, tedavi planlaması ve bilgisayarla bütüncül cerrahi gibi birçok görüntüleme uygulamasında hayati aşamadır [2]. Medikal görüntüler üzerinde organ/nesne tanımada farklı yaklaşımlar bulunmaktadır. Bu yaklaşımlar görüntü bölütleme, görüntü kümeleme ve sınıflandırma tabanlı olabilmektedir [3]. Bu çalışmaların birçoğu bölütleme tabanlı olsa da, sınıflandırıcılar ile elde edilen sonuçların daha başarılı olduğu söylenebilir. Özellikle görüntüler üzerinde nesne tanımada oldukça başarılı olan bölgesel tabanlı derin öğrenme modellerinin, son