Geri Dön

Fizik tabanlı derin öğrenme ile meme mrg analizi

Breast mri analysis using physics-informed deep learning

PDF İndir

  1. Tez No: 1016860
  2. Yazar: ÖMER KÜRŞAT UÇARER
  3. Danışmanlar: PROF. DR. ENDER METE EKŞİOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Meme kanseri, dünya genelinde kadınlarda en sık tanı konulan kanser türü olmaya devam etmekte olup GLOBOCAN 2022 verilerine göre tek bir yılda yaklaşık 2,3 milyon yeni vaka raporlanmıştır. Bu yükün yakın gelecekte azalmasına dair herhangi bir gösterge bulunmamaktadır; aksine, mevcut eğilimlerin sürmesi halinde 2050 yılında yıllık yeni vaka sayısının 3,2 milyona ulaşacağı öngörülmektedir. Hastalığın bu denli yaygın ve giderek artan görülme sıklığı, erken tanıya yönelik görüntüleme yöntemlerinin güvenilirliğini stratejik bir öncelik haline getirmektedir. Manyetik Rezonans Görüntüleme (MRG), yüksek yumuşak doku kontrastı ve iyonizan radyasyon içermeyen yapısıyla meme kanserinin saptanmasında en duyarlı modalite konumundadır. Dinamik kontrastlı MRG (DCE-MRI) bu alanda altın standart kabul edilse de gadolinyum bazlı kontrast maddelerin intravenöz kullanımına bağımlılığı, nefrojenik sistemik fibrozis riski ve beyinde gadolinyum birikimi gibi güvenlik kaygılarını beraberinde getirmektedir. Böbrek yetmezliği, gebelik ve kontrast alerjisi gibi klinik senaryolarda kontrast madde kullanımının mümkün olmaması, kontrastsız görüntüleme tekniklerine duyulan ihtiyacı belirgin biçimde artırmıştır. Bu bağlamda İntravoksel Tutarsız Hareket (Intravoxel Incoherent Motion, IVIM) modeli, difüzyon ağırlıklı görüntüleme (DWI) sinyal azalmasını gerçek doku difüzyonu (D) ve kapiller ağdaki psödo-difüzyon (D*) bileşenlerine ayrıştıran bi-eksponansiyel bir formülasyon sunarak kontrast madde kullanmaksızın doku perfüzyonu hakkında nicel bilgi elde edilmesine olanak tanımaktadır. Modelin üçüncü parametresi olan perfüzyon fraksiyonu (f) ise mikrovasküler bileşenin hacimsel katkısını temsil etmektedir. IVIM parametrelerinin meme kanserinde tanısal değeri meta-analizlerle doğrulanmış olsa da parametrelerin güvenilir biçimde tahmin edilmesi, ters problemin kötü koşullanmış yapısı, düşük sinyal-gürültü oranı (SNR) ve özellikle D* parametresinin yüksek gürültü duyarlılığı nedeniyle ciddi bir zorluk oluşturmaktadır. Standart Doğrusal Olmayan En Küçük Kareler (NLLS) yöntemi başlangıç değerlerine aşırı duyarlılık, yerel minimumlara takılma ve yüksek hesaplama maliyeti gibi sınırlılıklar sergilemektedir. Bu tez çalışmasında, söz konusu sorunlara eşzamanlı bir çözüm sunmak amacıyla Fiziksel Bilgi Destekli Otokodlayıcı (Physics-Informed Autoencoder, PIA) çerçevesinin meme MRG'de IVIM parametre tahminine uyarlanması (PIA-IVIM) ele alınmıştır. PIA-IVIM, IVIM sinyal denklemini deterministik bir kod çözücü olarak doğrudan ağ mimarisine entegre eden öz-yönetimli bir derin öğrenme modelidir. Eğitilebilir kodlayıcı gürültülü DWI sinyallerinden IVIM parametrelerini tahmin ederken, fizik tabanlı kod çözücü bu tahminleri IVIM denklemine yerleştirerek sinyali yeniden yapılandırmaktadır. Model, yeniden yapılandırılan sinyal ile gürültüsüz referans arasındaki ortalama karesel hatayı minimize ederek eğitilmekte ve etiketli veriye ihtiyaç duymamaktadır. Müfredat öğrenimi (curriculum learning) stratejisiyle üç kademeli gürültü seviyesinde eğitim gerçekleştirilmiş ve modelin kademeli gürültü dayanıklılığı kazanması sağlanmıştır. Modelin performansı birbirini tamamlayan üç bağımsız doğrulama katmanında değerlendirilmiştir. İn-siliko simülasyonlarda klinik SNR aralığında (sigma ≈ 0,02-0,05) PIA-IVIM, NLLS'ye kıyasla tüm parametrelerde daha düşük ortalama mutlak hata (MAE) ve daha yüksek Spearman korelasyonu sağlamıştır. 1.000 vakalık VICTRE dijital meme fantomu üzerinde gerçekleştirilen analizlerde PIA-IVIM tutarlı biçimde üstün performans sergilemiş; D parametresinde MAE'yi 0,27'den 0,11'e, D* parametresinde ise 40,02'den 13,38'e düşürmüştür. Hesaplama verimliliği açısından PIA-IVIM, 20.000 vokseli NVIDIA A100 GPU üzerinde 0,012 saniyede işleyerek NLLS'ye kıyasla yaklaşık 10.000 katlık bir hız kazanımı sağlamıştır. İn-vivo klinik doğrulamada ise doğrulanmış meme kanseri tanısına sahip bir hastanın DWI verileri üzerinde PIA-IVIM, NLLS'nin ayırt edemediği lezyon bölgesini perfüzyon fraksiyonu haritasında görsel olarak delineasyon edebilmiştir. Elde edilen sonuçlar, fiziksel sinyal modelinin ağ mimarisine deterministik olarak entegre edilmesinin etiketli veriye ihtiyaç duymaksızın gürültüye dayanıklı parametre tahmini sağlayabildiğini sistematik biçimde göstermektedir. PIA-IVIM, kontrastsız meme MRG'de hızlı, tekrarlanabilir ve biyofiziksel olarak anlamlı nicel analiz için güçlü bir teknolojik altyapı sunmaktadır.

Özet (Çeviri)

Breast cancer continues to be the most commonly diagnosed malignancy among women on a global scale. According to the GLOBOCAN 2022 estimates, approximately 2.3 million new breast cancer cases were reported in a single year, corresponding to 11.6% of all cancer diagnoses. Projections suggest that by 2050, annual incidence will reach 3.2 million and deaths will climb to 1.1 million, driven by population aging, urbanization, and lifestyle changes. In Turkey, breast cancer constitutes 23.5% of all female cancers, with a notably young demographic profile: 16.6% of patients are diagnosed before age 40, and premenopausal cases reach 37.5%, markedly exceeding Western rates. The escalating burden of the disease underscores the strategic importance of reliable imaging modalities for early detection. Magnetic Resonance Imaging (MRI) occupies a privileged position in breast cancer detection owing to its superior soft-tissue contrast, multiplanar imaging capability, and freedom from ionizing radiation. Dynamic contrast-enhanced MRI (DCE-MRI) is widely regarded as the clinical gold standard, with meta-analyses reporting pooled sensitivity of 87%, specificity of 74%, and an area under the curve (AUC) of 0.86. However, DCE-MRI depends on the intravenous administration of gadolinium-based contrast agents (GBCAs), a dependence increasingly overshadowed by safety concerns. The risk of nephrogenic systemic fibrosis in patients with renal impairment has long been recognized, and more recent studies have demonstrated dose-dependent gadolinium deposition in the dentate nucleus and globus pallidus, even in individuals with an intact blood-brain barrier. Contrast administration is altogether contraindicated in pregnancy, severe renal insufficiency, and contrast allergy. These constraints have amplified the demand for contrast-free imaging techniques capable of delivering quantitative, reproducible, and non-invasive tissue biomarkers. The Intravoxel Incoherent Motion (IVIM) model addresses this gap by decomposing the diffusion-weighted imaging (DWI) signal decay into two distinct physical mechanisms through a bi-exponential formulation: true tissue diffusion (D) and pseudo-diffusion arising from incoherent blood flow in the capillary network (D*). The perfusion fraction (f) represents the volumetric contribution of the microvascular compartment to the total signal, serving as a contrast-free surrogate for tissue vascularity and tumor neoangiogenesis. Systematic reviews have reported pooled sensitivity of 85%, specificity of 87%, and AUC of 0.93 for the D parameter in differentiating malignant from benign breast lesions—figures that compare favorably with DCE-MRI. Despite this diagnostic promise, reliable IVIM parameter estimation remains a formidable challenge. The bi-exponential inverse problem is inherently ill-conditioned: the signal model components can produce similar curves over certain b-value ranges, rendering the solution non-unique. This structural ambiguity, compounded by the low signal-to-noise ratio (SNR) typical of clinical breast DWI, results in high estimation variance. The D* parameter is particularly vulnerable, as its effect is confined to the low b-value regime—precisely the segment most susceptible to noise—and its estimation is further complicated by strong collinearity with f. Multi-site studies have documented coefficients of variation exceeding 50% for D*. The conventional Nonlinear Least Squares (NLLS) method exhibits excessive sensitivity to initialization, susceptibility to local minima, an implicit Gaussian noise assumption incompatible with the Rician noise distribution of MRI magnitude data, and voxel-wise iterative computation times on the order of minutes for high-resolution datasets. This thesis addresses the aforementioned challenges through the adaptation of the Physics-Informed Autoencoder (PIA) framework to IVIM parameter estimation in breast MRI, designated as PIA-IVIM. Originally developed for prostate tissue microstructure profiling, the PIA framework reimagines the classical autoencoder paradigm by assigning physically interpretable tissue parameters to the latent space. PIA-IVIM comprises two functionally distinct components: a trainable encoder that processes noisy DWI signal vectors through a shared backbone of five fully connected layers (32→64→128→256→512) followed by three independent predictor branches—one for each IVIM parameter—and a physics-based decoder containing no learnable weights that deterministically reconstructs the signal by substituting the encoder's estimates into the IVIM bi-exponential equation. This design enforces physical consistency at the structural level, preventing the network from representing noise in the parameter space or producing solutions incompatible with the governing equation. The model is trained in a fully self-supervised manner: IVIM parameters are stochastically sampled from physiologically motivated ranges, noise-free signals are generated via the forward equation, Rician noise is added to simulate clinical MRI statistics, and the loss function is defined as the mean squared error between the decoder's output and the noise-free reference. A curriculum learning strategy structures the 50,000-epoch training into three progressive stages—near-noiseless conditions, clinical-level noise, and extreme noise scenarios—to build robust signal-parameter encoding. At each epoch, an entirely new synthetic dataset is generated, preventing memorization of specific parameter combinations. Model performance was evaluated across three independent validation tiers. In in-silico simulations using 2,500 synthetic signals spanning SNR levels from 10:1 to 10,000:1, PIA-IVIM demonstrated markedly superior noise robustness within the clinically relevant range (sigma ≈ 0.02-0.05). At SNR = 20:1, PIA-IVIM achieved lower MAE for all three parameters: f (0.06 vs. 0.11), D (0.34 vs. 0.58), and D* (8.10 vs. 11.15), with the most pronounced Spearman correlation improvement observed for D (Δρ = 0.27). A noteworthy finding was the performance crossover: at very low noise levels (sigma < 10⁻²), NLLS yielded marginally lower errors—expected given iterative optimization's capacity to converge at the global minimum under near-ideal conditions—but as noise increased beyond this threshold, NLLS accuracy degraded exponentially while PIA-IVIM maintained remarkable stability. The second validation tier employed the 1,000-case VICTRE digital breast phantom from the AAPM IVIM-dMRI Challenge. In controlled noise analysis using ground-truth-derived signals, PIA-IVIM consistently outperformed NLLS across multiple anatomical configurations, with particularly dramatic D* MAE reductions from approximately 17 to 7.5 in individual case analyses. In the direct k-space reconstruction experiment—incorporating the full imaging chain with k-space sampling, Fourier reconstruction, and associated uncertainties—cohort-level analysis revealed that PIA-IVIM reduced D MAE from 0.27 to 0.11, f MAE from 0.17 to 0.13, and D* MAE from 40.02 to 13.38. The substantially lower standard deviations of PIA-IVIM estimates across the cohort (f: 0.01 vs. 0.03; D: 0.02 vs. 0.08) indicated consistent performance across diverse breast geometries and tissue compositions. In terms of computational efficiency, PIA-IVIM processed 20,000 voxels in 0.012 seconds on an NVIDIA A100 GPU, compared to 127.66 seconds for NLLS—an approximately 10,000-fold speed advantage attributable to the single-forward-pass architecture that processes all voxels simultaneously, in contrast to NLLS's voxel-wise iterative optimization. This speed makes real-time IVIM parameter mapping during image acquisition technically feasible for the first time. In the in-vivo clinical validation on DWI data from a patient with confirmed breast cancer acquired at the University of Chicago MRI Research Center (3T Philips, 12 b-values), NLLS produced excessively noisy f and D* maps in which the tumor region was visually indistinguishable from surrounding fibroglandular tissue. PIA-IVIM, operating on identical data, clearly delineated the lesion as a region of elevated perfusion on the f map, with lesion boundaries visually separable from the surrounding tissue and the D map exhibiting superior spatial coherence. These findings collectively demonstrate that deterministic integration of the IVIM signal model into the network architecture as a physics-based decoder enables noise-robust, reproducible, and biophysically consistent parameter estimation without requiring labeled training data. PIA-IVIM provides a robust technological foundation for rapid and meaningful quantitative analysis in contrast-free breast MRI, with potential contributions spanning contrast-free imaging in GBCA-contraindicated patients, real-time parameter mapping during acquisition, and early treatment response assessment during neoadjuvant chemotherapy through stable, low-variance perfusion fraction maps. The study's limitations—single-case in-vivo validation, single scanner platform, absence of uncertainty quantification, and fixed b-value configurations—delineate concrete directions for future research, including multi-center validation across diverse scanner platforms and field strengths, extension of the deterministic decoder to advanced diffusion models such as diffusion kurtosis imaging and NODDI, and integration of Monte Carlo dropout or ensemble-based uncertainty estimation into the PIA architecture to enable voxel-wise confidence intervals for clinical decision support.

Benzer Tezler

  1. Tez No

    1018416

    A centralized multi modal deep learning for breast cancer diagnosis: A physics aware approach

    Meme kanseri tanısı için merkezileştirilmiş çok modlu derin öğrenme: Fizik farkındalıklı bir yaklaşım

    HANEEN QUSAY MAWLOOD

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RÜYA YILMAZ

  2. Tez No

    893731

    Meme kitlelerinin ve aksiller lenf nodu durumunun değerlendirilmesinde çeşitli görüntüleme modalitelerinden yararlanan bir derin nöral ağ tasarımı

    Design of a deep neural network utilizing various imaging modalities for the assessment of breast masses and axillary lymph node status

    OZAN CAN TATAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Genel CerrahiKocaeli Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET OKTAY YİRMİBEŞOĞLU

  3. Tez No

    987324

    AI-driven enhancement and risk detection in microwave systems

    Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti

    İBRAHİM HALİL BAYAT

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

    DR. ÖĞR. ÜYESİ SEMİH DOĞU

  4. Tez No

    876543

    Efficient three-dimensional near-field imaging with physics-informed deep learning for MIMO radar

    Fizik tabanlı derin öğrenme teknikleri ile üç boyutlu yakın alan MIMO radar görüntüleme

    OKYANUS ORAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEVİNÇ FİGEN ÖKTEM SEVEN

  5. Tez No

    963461

    Physics-driven deep learning for medical image reconstruction

    Tıbbi görüntü geriçatımı için fizik tabanlı derin öğrenme

    BİLAL KABAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA ÇUKUR

Geri Dön