3D U-net-based tumor volumetric growth analysis on CT imaging for early progression detection: a comparative evaluation against recist.
3D U-net tabanlı BT görüntüleri üzerinde tümör hacimsel büyüme analizi ile erken progresyon tespiti : recıst ile karşılaştırmalı bir değerlendirme.
- Tez No: 1022762
- Danışmanlar: DOÇ. DR. EBRU SAYILGAN, DOÇ. DR. MEHMET TÜRKAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Antikanser, Görüntü sınıflandırma, Sayısal görüntü işleme, İnsan-yapay zeka etkileşimi, Anticancer, Image classification, Digital image processing, Human-artificial intelligence interaction
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İzmir Ekonomi Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akciğer kanseri; dünya genelinde kanser kaynaklı ölümlerin başlıca nedeni olmaya devam etmektedir ve tedavi yanıtı geleneksel olarak tek doğrusal çap ölçümlerine dayalı Solid Tümörlerde Yanıt Değerlendirme Kriterleri (RECIST 1.1) kullanılarak değerlendirilmektedir. Klinik olarak doğrulanmış olmasına rağmen RECIST; üç boyutlu bir yapının tek bir doğrusal boyutuna güvenmesi nedeniyle erken tümör büyümesini eksik tahmin edebilmektedir. Hacimsel değerlendirme; potansiyel olarak daha hassas bir alternatif sunmakta, ancak güvenilir otomatik segmentasyon araçlarının yokluğu nedeniyle klinik benimsemesi sınırlı kalmıştır. Bu tez; göğüs bilgisayarlı tomografisinde otomatik akciğer tümör segmentasyonu, klinik ölçüm, test–retest tekrarlanabilirlik değerlendirmesi ve boylamsal yanıt sınıflandırması için uçtan uca dört-modüllü operasyonel bir işlem hattını sunmaktadır. İşlem hattı; bir derin öğrenme segmentasyon arka ucunu (Modül 1) kural tabanlı, bir boyut-öncüllü uyarlamalı yönlendirme mekanizmasıyla (Modül 2, Adaptif Uzman Yönlendiricisi V2), yedi farklı çıktıyı kapsayan kapsamlı bir klinik ölçüm bileşeniyle (Modül 3) ve bir test-retest ile boylamsal analiz bileşeniyle (Modül 4) entegre etmektedir. İşlem hattı; üç ana veri seti — LIDC-IDRI, Medical Segmentation Decathlon Task06 Lung ve RIDER Lung CT — üzerinde değerlendirilmiştir ve beş temsili klinik vaka üzerinde gösterilmiştir. Önerilen Adaptif Uzman Yönlendiricisi mimarisi; klinik açıdan gerçekçi koşullar altında operasyonel güçlü yönlerin ve sınırlamaların açık raporlanması; ve segmentasyon, ölçüm ile boylamsal yanıt sınıflandırmasının tek bir şeffaf işlem hattına entegrasyonu; bu çalışmanın ana metodolojik katkılarını oluşturmaktadır. İşlem hattı; gelecekteki klinik çeviriye doğru yapılandırılmış bir yol haritasıyla operasyonel uygulanabilirliğin araştırma düzeyinde bir gösterimi olarak konumlandırılmaktadır.
Özet (Çeviri)
Lung cancer remains the leading cause of cancer-related mortality worldwide, with treatment response conventionally assessed using the Response Evaluation Criteria in Solid Tumors (RECIST 1.1) based on single linear diameter measurements. While clinically validated, RECIST may underestimate early tumor growth due to its reliance on a single linear dimension of a three-dimensional structure. Volumetric assessment offers a potentially more sensitive alternative but has been limited in clinical adoption due to the absence of reliable automated segmentation tools. This thesis presents an end-to-end four-module operational pipeline for automated lung tumor segmentation, clinical measurement, test–retest reproducibility evaluation, and longitudinal response classification on thoracic computed tomography. The pipeline integrates a deep learning segmentation back-end (Module 1) with a rule-based, size-prior adaptive routing mechanism (Module 2, the Adaptive Specialist Router V2), a comprehensive clinical measurement component covering seven distinct outputs(Module 3),and a test-retest and longitudinal analysis component (Module 4). The pipeline is evaluated on three principal datasets —LIDC-IDRI,Medical Segmentation Decathlon Task06Lung, and RIDER Lung CT — and demonstrated on five representative clinical cases. The proposed Adaptive Specialist Router architecture, the explicit reporting of operational strengths and limitations under clinically realistic conditions, and the integration of segmentation, measurement, and longitudinal response classification into a single transparent pipeline constitute the principal methodological contributions of this work. The pipeline is positioned as a research-grade demonstration of operational feasibility with a structured roadmap toward future clinical translation.
Benzer Tezler
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Beyin segmentasyonu için geliştirilmiş bir kalan 3D U-net
An improved residual 3d U-net for brain segmentation
NOOSHIN SOROOR
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED DAVUD
- Evaluation of deep learning architectures in liver and tumor segmentation
Karaciğer ve tümör segmentasyonunda derin öğrenme mimarilerinin değerlendirilmesi
BÜŞRA KARABAĞ
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer
Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu
MURAT YÜCE
Yüksek Lisans
İngilizce
2024
BiyomühendislikAcıbadem Mehmet Ali Aydınlar ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. SEDA NİLGÜN DUMLU
DOÇ. DR. SİNEM BURCU ERDOĞAN
- Pet görüntülerinde gürültü azaltıcı difüzyon olasılıksal modeller (DDPMs) ile gürültü azaltma
Noise reduction in pet images using denoising diffusion probabilistic models (DDPMs)
EMİNE PACCİ
Yüksek Lisans
Türkçe
2026
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM