Günümüzde, yapay zeka teknolojilerindeki gelişmeler ile birlikte yeniden önem kazanan derin öğrenme teknikleri ile birçok bilimsel ve akademik çalışmalar yapılmaktadır. Bununla birlikte gelişen medikal görüntüleme teknikleriyle çok detaylı teşhise imkan sağlayan kaliteli görüntüler üretilmektedir. Vücudumuzdaki önemli organlardan biri olan karaciğerin rahatsızlıklarında önemli bir yer tutan karaciğer nakli veya cerrahi operasyonları öncesinde, radyolojik görüntülerden elde edilen bulguların değerlendirilmesi çok önemli bir yer tutmaktadır. Bu görüntülerin 3 boyutlu incelenmesinin ön adımı ise çekilmiş görüntülerden karaciğer dokusunun ayrılması aşamasıdır. Bu tez kapsamında derin öğrenme yapılarından biri olan evrişimli sinir ağlarıyla; çeşitli girdi boyutları ve aktivasyon fonksiyonlarıyla oluşturulmuş modellerin örnek veri seti ile başarımları ölçülerek, sonuçları değerlendirilmiştir. Deneyler sonucunda U-NET yapısı ile 256x256 ve 512x512 görüntüler üzerinden 97.58% ve 94.97% F-measure değerleri elde edilmiştir. Basit ESA yapısı ve Sigmoid ve Linear aktivasyon fonksiyonuna sahip U-NET modelleri (ortak eşik değer için) başarım gösterememiştir.
Nowadays, many scientific and academic studies are carried out with deep learning techniques, which have gained importance once again with the developments in artificial intelligence technologies. On the other hand, high quality images are produced which enable very detailed diagnosis with developing medical imaging techniques. The evaluation of the findings obtained from radiological images prior to liver transplantation or surgical operations, which play an important role in liver disorders, is one of the most important organs in our body. The preliminary step of the 3-D examination of these images is the separation of liver tissue from the images taken. Within the scope of this thesis, the performance of the models created with various input dimensions and activation functions measured with the sample data set and the results evaluated. After empirical evaluations, the 97.58% and 94.97% F-measure scores were obtained when applying U-NET architecture on 256x256 and 512x512 image samples. Simple CNN and U-NET models with Sigmoid and Linear activation function (for common threshold) failed.
