Ultrason görüntülerinin süper çözünürlük ile iyileştirilmesi için FPGA tabanlı derin öğrenme ağı

OĞUZ KAAN ULUIŞIK

Ultrason görüntülerinin süper çözünürlük ile iyileştirilmesi için FPGA tabanlı derin öğrenme ağı

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: OĞUZ KAAN ULUIŞIK

Danışman: HASAN ŞAKİR BİLGE

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmada düşük çözünürlüklü ultrason görüntülerinin derin öğrenme tabanlı yaklaşım kullanılarak yüksek çözünürlüğe iyileştirilmesi amaçlanmıştır. Süper Çözünürlüklü Evrişimsel Sinir Ağı (SRCNN) mimarisine sahip derin öğrenme ağ modeli, referans yüksek çözünürlüklü ve düşük çözünürlüklü gürültü içeren görüntülerden oluşan veri kümesi ile eğitilmiştir. Bu sayede derin öğrenme ağının yüksek ve düşük kaliteli görüntüler arasındaki yapısal farkları öğrenerek yüksek kaliteli çıktı üretmesi hedeflenmiştir. Performans odaklı çok katmanlı büyük ağ modeli ve düşük kaynak kullanımı odaklı küçük ağ modeli olmak üzere iki farklı ağ mimarisi geliştirilmiştir. Oluşturulan derin öğrenme ağ modelleri ultrason görüntüleme sistemlerinin gerçek zamanlılık özelliğinin korunması ve düşük güç tüketiminin sağlanması amacıyla FPGA donanımına uyumlu olarak tasarlanmıştır. Kaynak verimliliğinin sağlanması amacıyla FPGA donanımına uyumlu hale getirilen ağ mimarilerinin kayar nokta optimizasyonları ve yeniden kullanım faktörü optimizasyonları gerçekleştirilmiştir. Elde edilen sonuçların analizi gerçekleştirildiğinde, Tepe Sinyal Gürültü Oranı (PSNR) ölçümlerinde küçük ağ modelinin ortalama 8 dB, büyük ağ modelinin ise ortalama 12 dB değerinde kazanç elde ettiği gözlemlenmiştir. Ortalama kare hatası (MSE) ölçümlerinde ise her iki modelin de %2 seviyelerinde bulunan değerleri %0,1 seviyelerine indirgeyerek düşük çözünürlüklü ve gürültü içeren girdi görüntülerinden yüksek çözünürlüklü çıktılar üretildiği görülmüştür. Bu sonuçlar doğrultusunda FPGA donanımında çalışabilir SRCNN mimarili derin öğrenme modellerinin katkısı ve gerçek hayatta kullanılabilirliği gösterilmiştir.