Göğüs X-ışını görüntülerinde akciğer segmentasyonu için U-Net tabanlı modellerin eğitim stratejileri ve hiperparametre analizi

Creative Commons License

Çerçevik N. K., uysal s. s.

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, cilt.17, sa.0, 2026 (TRDizin)

Özet

Göğüs X-ışını görüntülerinde akciğer alanlarının doğru belirlenmesi, hastalıkların tespiti ve güvenilir klinik analizler için kritik öneme sahiptir. Bu çalışmada, U-Net tabanlı derin öğrenme modellerinde hiperparametrelerin ve mimari tercihlerinin akciğer segmentasyonu performansına etkileri sistematik olarak incelenmiştir. Deneysel süreçte optimizasyon algoritmaları, öğrenme katsayıları, yığın boyutları, omurga yapıları ve kayıp fonksiyonları karşılaştırmalı biçimde değerlendirilmiştir. Sonuçlar, Adam optimizasyon algoritmasının 1e-4 öğrenme katsayısı ile en kararlı yakınsamayı sağladığını göstermiştir. Mimari analizlerde, ResNet34 omurgasının dikkat mekanizması ile entegrasyonu düşük kontrastlı sınır bölgelerinde ve karmaşık anatomik yapılarda segmentasyon başarısını artırmıştır. Kayıp fonksiyonu incelemelerinde, İkili Çapraz Entropi (Binary Cross Entropy – BCE) ve Dice Loss’un eşit oranlı hibrit kullanımı hem piksel bazlı detayların hem de global yapısal bütünlüğün korunmasında tekil fonksiyonlara göre üstün performans sergilemiştir. En iyi konfigürasyon (50 epok, 8 yığın boyutu) ile 0.9736 Dice, 0.9485 IoU ve 0.9845 piksel doğruluğu elde edilmiştir. Modelin güvenilirliği 5-katlı çapraz doğrulama ile doğrulanmış ve hibrit yapının yüksek genelleme yeteneği sunduğu kanıtlanmıştır. Bu bulgular, medikal görüntü segmentasyonunda bütüncül hiperparametre optimizasyonunun ve hibrit kayıp stratejilerinin klinik doğruluk açısından önemini vurgulamaktadır.
Accurate identification of lung fields in chest X-ray images is critical for disease detection and reliable clinical analysis. This study systematically investigates the effects of hyperparameters and architectural preferences on lung segmentation performance in U-Net-based deep learning models. In the experimental process, optimization algorithms, learning rates, stack sizes, backbone structures, and loss functions were evaluated comparatively. The results showed that the Adam optimization algorithm achieved the most stable convergence with a learning rate of 1e-4. In architectural analyses, the integration of the ResNet34 backbone with the attention mechanism improved segmentation success in low-contrast border regions and complex anatomical structures. In loss function analyses, the equally balanced hybrid use of Binary Cross Entropy (BCE) and Dice Loss demonstrated superior performance compared to individual functions in preserving both pixel-based details and global structural integrity. With the best configuration (50 epochs, 8 batch sizes), 0.9736 Dice, 0.9485 IoU, and 0.9845 pixel accuracy were obtained. The model's reliability was validated with 5-fold cross-validation, demonstrating that the hybrid structure offers high generalization capability. These findings highlight the importance of holistic hyperparameter optimization and hybrid loss strategies in medical image segmentation for clinical accuracy.