Ceylan, RahimeÖksüz, Hasan Basri2026-02-102026-02-102025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=CtwiQkYvArAb95Ufpfs_vh3FjSk6amcDPXH6ePWA1Ca-ztAOWDRaSOrLQ1Hr2NCdhttps://hdl.handle.net/20.500.13091/13021Bu tez çalışmasında, böbrek ve pankreas segmentasyonu problemleri voksel tabanlı ve nokta bulutu tabanlı derin öğrenme yöntemleri kullanılarak kapsamlı biçimde incelenmiştir. Çalışma, veri temsiline bağlı olarak modellerin performans ve genelleme yeteneklerini değerlendirmeyi amaçlamaktadır. Böbrek segmentasyonu için iki aşamalı kaba–ince segmentasyon çerçevesi tasarlanmış; U-Net, AttUNet, ResUNet, MFFAU-Net ve TransUNet mimarileri KiTS19, KiTS23 ve FLARE22 veri setleri üzerinde test edilmiştir. Sonuçlar, voksel tabanlı yöntemlerin yüksek doğruluk sunduğunu ancak hesaplama maliyeti ve genelleme kabiliyeti açısından sınırlılıklar taşıdığını göstermiştir. Bu sınırlılıklara yanıt olarak, nokta bulutu tabanlı PointNet ve DGKSA mimarileri değerlendirilmiş; bu modellerin düşük bellek kullanımı ve güçlü geometrik farkındalık özellikleriyle özellikle karmaşık organ sınırlarında başarılı sonuçlar verdiği gözlemlenmiştir. DGKSA modeli, pankreas segmentasyonunda voksel tabanlı yöntemlere göre daha üstün doğruluk elde etmiştir. Genel olarak, çalışma tıbbi görüntü segmentasyonunda nokta bulutu temsiline dayalı yaklaşımların uygulanabilirliğini sistematik biçimde ortaya koymakta ve veri temsili–performans ilişkisine dair özgün bulgular sunarak gelecekteki araştırmalara yön göstermektedir.This thesis comprehensively investigates kidney and pancreas segmentation problems using voxel-based and point cloud–based deep learning methods. The study aims to evaluate the impact of data representation on model performance and generalization capability. For kidney segmentation, two-stage coarse-to-fine framework was designed, and architectures including U-Net, AttUNet, ResUNet, MFFAU-Net, and TransUNet were tested on KiTS19, KiTS23, and FLARE22 datasets. The results demonstrated that voxel-based methods achieve high accuracy but remain limited by computational cost and generalization challenges. To address these limitations, point cloud–based architectures, PointNet and DGCNN, were explored. These models achieved competitive results, benefiting from low memory usage and strong geometric awareness, particularly in delineating complex organ boundaries. The DGCNN model achieved superior accuracy compared to voxel-based methods in pancreas segmentation. Overall, this study systematically demonstrates the applicability of point cloud–based representations for medical image segmentation and provides novel insights into the relationship between data representation and model performance, offering valuable guidance for future research.trElektrik ve Elektronik MühendisliğiElectrical and Electronics EngineeringDoctoral Thesis