Lmm-iqa: image quality assessment for low-dose ct imaging
Lmm-ıqa: düşük dozlu bt görüntülerinde görüntü kalitesi değerlendirmesi
- Tez No: 1002762
- Danışmanlar: DOÇ. DR. İSA YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Bilgisayar destekli mühendislik, Bilgisayarlı görüntüleme, Yapay zeka, Computer aided engineering, Computer imaging, Artificial intelligence
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgisayarlı Tomografi (BT), tıp dünyasının en kritik tanı araçlarından biridir. İnsan vücudunun iç yapısını invaziv olmayan bir yöntemle, yüksek çözünürlüklü kesitler halinde sunar. Ancak bu teknolojik görüntüleme yöntemi, doğası gereği hastayı iyonize radyasyona maruz bırakmaktadır. X-ışınlarının dokular üzerindeki stokastik etkileri tıp dünyasını mümkün olan en düşük radyasyon dozuyla en yüksek tanısal verimi elde etme prensibine yöneltmiştir. Bu etik sorumluluk doğrultusunda geliştirilen Düşük Dozlu Bilgisayarlı Tomografi (LDCT) protokolleri, radyasyon maruziyetini minimize ederek hasta güvenliğini önceliklendirmeyi hedefler. Fakat burada fiziksel bir paradoksla karşılaşılır: Radyasyon dozu azaldıkça, görüntüleme fiziği gereği dedektöre ulaşan foton sayısı düşer ve bu durum görüntülerde kuantum gürültüsünün artmasına, yapay çizgilerin (streak artifacts) oluşmasına ve doku kontrastının kaybolmasına neden olur. Düşük dozlu bilgisayarlı tomografi, her ne kadar hastanın maruz kaldığı iyonize X-ışını miktarını azaltmış olsa da; doz azalımı ile beraber oluşan gürültü, bulanıklık ve kontrast kaybındaki artış görüntülerin tanısal kalitesini düşürmektedir. Görüntüleme fiziğinin temel prensipleri gereği, radyasyon dozundaki azalma, dedektör seviyesinde toplanan foton sayısını düşürür; bu da sinyal-gürültü oranının bozulmasına ve görüntülerde kuantum gürültüsü ile karakteristik“streak”(çizgi) artefaktlarının belirginleşmesine neden olur. Bu teknik bozulmalar, yumuşak doku kontrastını azaltarak anatomik detayların kaybolmasına ve dolayısıyla hekimin tanısal güveninin zedelenmesine yol açar. Bu nedenle görüntü kalitesi değerlendirmesinde tutarlılık ve sağlamlık, klinik uygulamalar için kritik bir gereksinim haline gelmektedir. Görüntü kalitesinin ölçümünde nicel ve nitel birçok başarılı yöntem kullanılmasına rağmen bu yöntemler ve metrikler farklı olumsuz yanlar da barındırmaktadır. Klinikte daha sıklıkla kullanılan görsel değerlendirme yaklaşımları büyük oranda insan gözlemine dayanmakta ve gözlemciler arası farklılıklar nedeniyle standart bir değerlendirme düzeyi sunamamaktadır. Ayrıca radyologların manuel olarak yaptıkları bu değerlendirme süreci son derece zaman alıcı olmakla beraber klinik iş yükünü de artırmaktadır. Bu durum, daha nesnel ve tekrarlanabilir yaklaşımları gerekli kılmaktadır. Literatürdeki mevcut Görüntü Kalitesi Değerlendirme (IQA) metrikleri incelendiğinde, PSNR ve SSIM gibi geleneksel tam referanslı yöntemlerin klinik gerçeklikle örtüşmediği görülmektedir; zira bu metrikler piksellerin matematiksel benzerliğine odaklanırken, radyologların algıladığı tanısal ayrıntıları ve semantik bilgiyi çoğu zaman göz ardı etmektedir. Öte yandan, referanssız (NR-IQA) çalışan derin öğrenme modelleri, radyolog skorlarıyla yüksek korelasyon kurabilse de, bu modellerin eğitilmesi için devasa ve titizlikle etiketlenmiş veri setlerine ihtiyaç duyulmaktadır. Dahası, derin öğrenme modelleri bir görüntüye neden düşük kalite puanı verdiklerini tıbbi bir dille açıklayamazlar. Bu da klinik ortamda hekimin modele olan güvenini sınırlamaktadır. Bu noktada, hem sayısal skor üretebilen hem de bu skoru mantıksal ve dilsel bir çerçeveye oturtan Çok Modelli Büyük Dil Modelleri (LMM), modern radyolojide yeni bir çığır açma potansiyeline sahiptir. Bu çalışmada, bu problemin çözümüne alternatif olarak geliştirilen LLM tabanlı bir görüntü kalitesi değerlendirme sistemi önerilmiştir. Yapay zekadaki son gelişmeler, modellerin sadece metin işlemesini değil, aynı zamanda görsel verileri de bir uzman gibi yorumlayabilmesini sağlamıştır. Önerilen yöntemde görüntü üzerindeki gürültü, bulanıklık ve kontrast kaybı gibi bozulmaları dikkate alarak oluşturulan klinik görüntülerin hem sayısal skorlamalarını hem de metinsel açıklamalarını üreten bir model geliştirilmiştir. Model, görüntülerdeki bozulmaları doğrudan metinsel ve sayısal geri bildirimlerle açıklar ve kalite farklılıklarını daha anlaşılır hale getirir. Oluşturulan bu modelin temel amacı, klinik uzmanlara tutarlı bir karar destek aracı sunmak ve değerlendirme sürecini daha nesnel bir yapıya kavuşturmaktır. Çalışmanın metodolojik kurgusu, modelin gradyan tabanlı bir eğitime (retraining) ihtiyaç duymadan, sahip olduğu genel bilgiyi tıbbi bağlama nasıl aktarabileceği üzerine kurulmuştur. Bu kapsamda, sektör lideri OpenAI (GPT-o3, GPT-4o), Google (Gemini, Gemma), Meta (Llama), Anthropic (Claude) ve xAI (Grok) gibi farklı teknoloji sağlayıcılarının modelleri, LDCT-IQA bağlamında geniş bir alanda test edilmiştir. Çalışmada kullanılan veri setinin niteliği, elde edilen sonuçların klinik geçerliliği açısından büyük önem taşımaktadır. Bu kapsamda kullanılan 1000 eğitim ve 300 test görüntüsünden oluşan MICCAI 2023 LDCT-IQA Challenge veri seti, Amerika Birleşik Devletleri'ndeki Mayo Clinic ve Güney Kore'deki National Cancer Center gibi prestijli kurumlardan elde edilen heterojen bir popülasyonu temsil etmektedir. Görüntülerdeki düşük doz koşulları, sadece basit bir gürültü ekleme işlemiyle değil, Poisson gürültüsü ve streak artefaktlarını içeren fizik tabanlı bir simülasyon hattı (pipeline) aracılığıyla gerçeğe en yakın şekilde üretilmiştir. Bu yöntem, LDCT görüntülerinde sıkça karşılaşılan ve tanısal doğruluğu etkileyen karmaşık bozulma paternlerinin model tarafından öğrenilmesine olanak tanımıştır. Ayrıca, 5-6 farklı uzman radyoloğun 0-4 Likert ölçeğinde verdiği puanların ortalamasıyla oluşturulan“ground-truth”değerleri, test setinde 0.96 gibi oldukça yüksek bir ICC (Intraclass Correlation Coefficient) değerine sahiptir; bu da modellerin eğitilmesi ve test edilmesi için kullanılan referans değerlerin bilimsel güvenilirliğini kanıtlamaktadır. Önerilen yöntemde zero shot yaklaşımı, meta veri entegrasyonu ve hata geri bildirimi gibi farklı çıkarım stratejileri sistematik olarak incelenmiş ve bu yaklaşımların genel performansa nasıl katkı sağladığı en basit düzenden daha kapsamlı düzene doğru adım adım gösterilmiştir. İlk aşamada uygulanan“Zero-shot”çıkarımı, modellerin hiçbir ön bilgi veya örnek görmeden sadece test edilecek görüntüler verilmiştir. Önce fizibilite değerlendirmeleri için veri setinin küçük bir kısmına tabi tutulmuş yaptıkları tahminler değerlendirildiğinde tıbbi doğruluk için yeterli olmadığı gözlemlenmiştir. Bu nedenle zero-shot testleri tüm veri setine uygulanmamıştır. Bunu aşmak için geliştirilen“Few-shot”(az atışlı) öğrenme modelinde, prompt içerisine birkaç örnek görüntü-puan çifti eklenerek modelin radyolojik ölçekle hizalanması sağlanmıştır. Küçük veri setinde iyi performans gösteren few-shot yaklaşımı ise veri seti genişletilerek çalışmalar bir adım öteye taşınmıştır. Ancak burada veri çeşitliliği sebebiyle genellenebilirliğin düşmesiyle birlikte performans düşüşü gözlemlenmiştir. Bu sebeple bu da diğer bir yeniliğe motivasyon kaynağı olmuştur. Çalışmanın bu en önemli yeniliklerinden birisi ise,“Metadata Entegrasyonu”dur. Bu kapsamda, yine LLM' ler yardımıyla görüntünün ait olduğu anatomik bölge (örneğin karın, böbrek vb.) etiketi ve görüntü kalitesi değerlendirilmesinde en önemli metriklerden birisi olan gürültü seviyesi, FBI-Denoiser yöntemiyle hem test hem de örnek (train) görsellerine etiketlenerek girdi olarak verilmiştir. Bu bağlamsal veriler, modelin piksellerdeki değişimi tıbbi bir perspektifle yorumlamasına olanak tanımıştır. Son aşamada ise, modelin yaptığı hataları bir geri bildirim mekanizmasıyla analiz eden“Hata Geri Bildirimli Çıkarım”(Error Feedback-Guided Inference) stratejisi uygulanmıştır. Bu yöntemle modelin, geçmişteki yanlış tahminlerinden ders çıkararak gelecekteki skorlarını iyileştirmesi hedeflenmiştir. Bu stratejilerin ayrı ayrı sağladığı kazanımlar değerlendirilerek modelin hangi koşullarda daha güvenilir şekilde çıktı ürettiği ortaya konmuştur. Elde edilen sonuçlara bakıldığında, önerilen sistemin yalnızca yüksek tutarlılıkta puanlar vermekle kalmadığı, aynı zamanda yorumlanabilir ve açık bir analiz sağladığı gösterilmiştir. Özellikle OpenAI o3 modelinin, meta veri ve hata geri bildirimi desteğiyle, radyolog puanlarıyla olan korelasyonunu (PLCC, SROCC ve KROCC metrikleri üzerinden) başlangıç seviyesinden çok daha yukarıya taşıdığı gözlemlenmiştir. Modelin ürettiği metinsel açıklamalar, modelin görüntülere verdiği puanları tıbbi terminolojiye uygun şekilde tanımlayabilmesi amaçlanmıştır. Bu durum, sistemin sadece sayısal bir çıktı değil, hekim için açıklanabilir bir rapor sunulmasını da hedeflediğini ortaya koymaktadır. Bu yönüyle önerilen sistem ile düşük dozlu BT görüntülerinde kalite değerlendirmesine yönelik esnek, pratik ve gelecekteki klinik uygulamalara temel oluşturabilecek alternatif bir yapı sunulmuştur. Sonuç olarak, bu araştırma LMM tabanlı yaklaşımların tıbbi görüntü kalitesi değerlendirmesi süreçlerindeki dönüştürücü potansiyelini kapsamlı bir şekilde ortaya koymaktadır. Geleneksel derin öğrenme modellerinin aksine, açıklanabilirlik ve uygulama esnekliğini odağına alan bu metodoloji, radyolojik değerlendirmelerde nesnel bir standardizasyonun sağlanması ve klinik iş yükünün minimize edilmesi yolunda stratejik bir adım teşkil etmektedir. Çalışmamız, yapay zekayı kapalı bir sistem olmaktan çıkarıp, sadece sayısal bir kalite puanı üretmekle kalmayıp, bu puanı destekleyen dilbilimsel ve anlamsal açıklamalar sunmuştur. Bu bağlamda, MICCAI 2023 gibi geniş ölçekli bir veri seti üzerinde, sektör lideri çok sayıda farklı modelle gerçekleştirilen testler, çalışmanın bilimsel derinliğini ve alanındaki öncü konumunu pekiştirmektedir. Sistemin sunduğu çeviklik, yeni klinik senaryolara ve farklı modalitelere hızla uyarlanabilmesine imkan tanıyabilecektir. Günümüzde yapay zeka sağlayıcılarının modellerini her geçen gün geliştirdiği göz önüne alındığında, bu tezin sunduğu esnek yapı, gelecekteki teknolojik iyileşmelerle birlikte radyologların tanısal güvenini artıracak ve yapay zekanın tıbbi iş akışlarına tam entegrasyonu için sağlam bir temel oluşturacaktır.
Özet (Çeviri)
Low-Dose Computed Tomography (LDCT) reduces the amount of ionizing X-rays to which the patient is exposed; however, the accompanying increase in noise, blurring, and loss of contrast leads to a degradation in the diagnostic quality of the images. Therefore, consistency and robustness in image quality assessment have become critical requirements for clinical applications. Although numerous successful quantitative and qualitative methods are used in evaluating image quality, these methods and metrics also have various limitations. Image quality assessment approaches more commonly used in clinics rely heavily on human observation and cannot provide a standard level of assessment due to inter-observer differences. This situation highlights the need for more objective and reproducible assessment strategies. In this study, an LLM-based image quality assessment system is proposed as an alternative solution to this problem. In the proposed method, a model has been developed that generates both numerical scores and textual descriptions of clinical images, taking into account degradations such as noise, blurring, and contrast loss present in the images. The model directly explains the degradations in the images with textual and numerical feedback, making quality differences more interpretable. The main purpose of this model is to provide clinicians with a consistent decision support tool and to make the evaluation process more objective. Within the proposed method, different inference strategies such as zero-shot approach, metadata integration, and error feedback are systematically examined. The integration of contextual information allows the model to interpret visual changes from a medical perspective, while feedback mechanisms enable the system to refine its scoring accuracy. By evaluating the gains provided by these strategies individually, it has been demonstrated under what conditions the model produces output more reliably. This approach bridges the gap between purely mathematical metrics and the complex semantic requirements of radiological diagnosis. By leveraging the inherent reasoning capabilities of these models, the study moves beyond simple pattern recognition to provide a context-aware analysis of medical image integrity. The results indicate that the proposed system not only provides highly consistent scores but also offers interpretable and clear analyses that remain compatible with clinical workflows. Unlike traditional models, this methodology focuses on explainability and flexibility, providing a strategic step toward minimizing clinical workload. In this respect, the system offers a practical framework for quality assessment in Low-Dose CT imaging, which can serve as a solid foundation for the integration of artificial intelligence into future clinical practice.
Benzer Tezler
- Tekil yük altında ray eğilme momenti travers eğilme momenti ilişkisi
The relation between rail bending moment and sleepers bending moment
BATUHAN BARIŞ KUNTER
Yüksek Lisans
Türkçe
1997
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. İNAL SEÇKİN
- Referans kısmi boşalma kaynağının yüksek doğru gerilim koşullarında incelenmesi
Analysis of partial discharge reference source under high direct voltage conditions
ÖZCAN KALENDERLİ
Doktora
Türkçe
1991
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. MUZAFFER ÖZKAYA
- Soğurulan doz ölçümü için paralel elektrotlu suya eşdeğer iyon odasının geliştirilmesi
Başlık çevirisi yok
HASAN ALKAN
- Bükme ve kesme kalıpları, kesme kalıplarının bilgisayar destekli tasarımı
Başlık çevirisi yok
MEHMET ALİ ÖZAYDIN
- Cam fırını yan duvar refrakterinde oluşan korozyon ve sıcaklıkların sayısal olarak hesaplanması ve deneysel değerlerle karşılaştırılması
Başlık çevirisi yok
MAHMUT AYDIN
Doktora
Türkçe
1998
Makine Mühendisliğiİstanbul Teknik ÜniversitesiEnerji Bilim Dalı
PROF. DR. E. TANER ÖZKAYNAK