Tıbbi görüntülerden derin öğrenme yöntemi ile karaciğer ve beyin lezyonlarının bölütlenmesi
Segmentation of liver and brain lesions by deep learning approach from medical images
- Tez No: 612007
- Danışmanlar: PROF. DR. BÜLENT BAYRAM
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Derin öğrenme, bölütleme, U-Net, tıbbi görüntü işleme, Deep learning, segmentation, U-Net, medical image processing
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 54
Özet
Son yıllarda gelişen yapay zeka teknolojisiyle birlikte makineler, insanların iş yükünü üstlenmeye başlamıştır. İnsan beyninin öğrenme yeteneğini uygulamaya çalışan bu sistemler; veri analizi, endüstri, kümeleme, örüntü tanıma, vb gibi görüntü işlemenin birçok alanında kullanılmaya başlanmıştır. Teknolojik gelişmelere bağlı olarak farklı alanlarda kullanılan veri hacmi çok yüksek düzeylere ulaşmıştır. Bundan dolayı büyük miktardaki veri analizinin insanlar tarafından yapılması zorlaşmıştır. Yapay zeka algoritmalarının gelişmesi, büyük miktardaki verinin analizine imkan vermeye başlamıştır. Analizi yapılacak verinin karakteristik özelliklerinin çıkarımı da başlı başına bir iş yükü gerektirmektedir. Yapay zekanın dallarından biri olan derin öğrenme, karakteristik özelliklerin çıkarımını otomatik hale getirerek bu yükün yüksek oranda azalmasına olanak sağlamaktadır. Büyük veri setlerindeki otomatik özellik çıkarımı yeteneği olan derin öğrenme, yapay zeka gibi görüntü işleme, doğal dil işleme, vb. birçok alanda kullanılarak gerçek hayattaki problemlerin çözümünde kullanılmaya başlanmıştır. Artan görüntü miktarı, hekimlerin iş yükü, deneyimsizlikleri ve konsantrasyon eksiklikleri gibi nedenlerden ötürü hastalıkların tanı ve tedavisinde sorunlar çıkabilmekte, bunların sonuçları da insan hayatının sonlanmasına neden olabilmektedir. Dolayısıyla, tıbbi görüntülerin hızlı, doğru bir şekilde işlenebilmesi, doğru tanı konulabilmesi ve bu amaçla hekimlere ikincil bir görüş sağlayacak bir asistan sistemin, başka bir deyişle bilgisayar temelli tanı sistemlerinin etkin olarak geliştirilmesi en önemli problemlerden biridir. Dünyada her yıl yakalanma oranı gittikçe artan kanserin; erken tanı ve teşhis ile birçok ölümün, maddi/manevi kaybın önüne geçilmesi mümkündür. Bu kısımda radyolog ve konuyla ilgili hekimlerin görevi büyüktür. Tecrübe, yorgunluk, stres, vb. faktörler, uzman hekimlerin performansını etkileyebilmektedir. İnsan kaynaklı tanı ve teşhis hatalarının minimuma indirgenmesi, kanserle savaşta olduğu gibi erken tanı ve doğru tedavi süreçlerinde büyük bir rol oynamaktadır. Bu sebeple başta radyolog hekimlere yardımcı olabilecek akıllı sistemlerin geliştirilmesi büyük avantajlar sunmaktadır. Derin öğrenme yöntemlerinin de bu alanda yüksek doğrulukta performans vermesi gelecekte bu sistemlerin tıp sektöründe kullanımını artıracaktır. Çalışmanın odak noktası da bu amaç üzerine kurulmuştur. U-Net derin öğrenme mimarisi kullanılarak bu amacın ne oranda gerçekleştirilebileceği araştırılmıştır. Bu mimari, özellik aktarımı sayesinde kodlayıcı aşamasındaki özellik haritalarını kod çözücü aşamasına da aktararak veri kaybını azaltmaktadır. Çalışmada Bilgisayarlı Tomografi (BT) cihazından elde edilen, kontrast tutucu madde ile görüntülenen LiTS (Liver Tumor Segmentation) karaciğer tümörü veri seti ve Manyetik Rezonans (MR) cihazından elde edilen Medical Segmentation Decathlon beyin tümörü veri setlerindeki hastalıklı bölgelerin U-Net mimarisi kullanılarak otomatik bölütlenmesi araştırılmıştır. Sunulan tezde, farklı modaliteye sahip, farklı organlara (karaciğer, beyin) görüntülerden lezyonların otomatik yakalanmasında U-Net mimarisinin performansı araştırılmıştır. Söz konusu mimaride görüntülerin topolojik yapılarından dolayı analizlerin farklı yaklaşımlarla yapılması gerektiğinden, karaciğer veri seti 64x64 piksellik alt bölgelere, beyin veri seti ise 144x144 piksellik alt bölgelere ayrılarak U-Net mimarisinin konfigürasyonu bu boyutlara göre tasarlanmıştır. Karaciğer tümörlerinde %91 oranında Dice Benzerlik Katsayısı'na ve %92 oranında F-Skoru'na ulaşılmıştır. Beyin tümöründe ise %85 oranında Dice Benzerlik Katsayısı'na ve %92 oranında F-Skoru elde edilmiştir. U-Net mimarisinin BT ve MR görüntülerinden karaciğer ve beyin lezyonlarının otomatik olarak bölütlenmesinde kullanılabileceği sonucuna varılmıştır.
Özet (Çeviri)
In recent years with the development of artificial intelligence technology, computers have started to assume the hardship of humans. These systems which can make clustering, data analysis, pattern recognition, image processing, industrial process, etc. are based on learning like the human brain. With technological developments, analyzing large amounts of data by humans have become difficult. Artificial intelligence algorithms have allowed the analyzing these datas. Inferring the characteristic features of the data to be analyzed also requires a working time in itself. Deep learning, which is one of the branches of artificial intelligence, automates the extraction of the characteristic features and takes this time effort from the operators. Deep learning has many research areas like image processing, natural language processing, etc. In this areas, it has been used in solving real life problems. One of these problems is health issues. The rate of cancer is increasing every year in the world. Preventing many deaths and economic/psychological losses is possible by early diagnosis. In this part, the mission of physicians is really important. Parameters such as experience, stress, fatigue, etc. may affect the performance of physicians. Minimizing human based errors plays a major role in the fight against cancer. Therefore, the development of intelligent systems can offer great advantages to physicians. Usage of deep learning methods will be more in the future of health sector thanks to their performing high accuracy. The focus of the study is based on this aim. This architecture, by using feature transfer technique, reduces data loss by transferring feature maps in the encoder stage to the decoder stage. In this study, automatic segmentation of cancerous regions in LiTS (Liver Tumor Segmentation) liver tumor dataset and Medical Segmentation Decathlon (MedSeg) brain tumor dataset using U-Net architecture was investigated. Since the images with different topologies need to be analyzed with different approaches, the configuration of the U-Net architecture has been designed according to these dimensions by dividing the liver dataset into 64x64 pixel sub-regions and the brain dataset into 144x144 pixel sub-regions. As a result, segmentation of liver tumors, 91% Dice Similarity Coefficient (DSC) and %92 F-Score has obtained. After segmentation of brain tumors, %85 DSC and %92 F-Score has been observed. It was concluded that U-Net architecture can be used for the automatic segmentation of liver and brain lesions from CT and MR images.
Benzer Tezler
- Bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı çoklu organ segmentasyonu
Deep learning based multi organ segmentation in computed tomography images
BEYZA KAYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ
- Automated processing and classification of medical thermal images
Medikal termal görüntülerin otomatik olarak işlenmesi ve sınıflandırılması
AHMET ÖZDİL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Tıbbi görüntü işleme ile tanı koymada veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi
Performance analysis of data mining and deep learning methods in diagnosis with medical image processing
HANİFE AVCI
Yüksek Lisans
Türkçe
2021
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. JALE KARAKAYA KARABULUT
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Konvolüsyonel sinir ağlarında ağ eğitiminin iyileştirilmesi
Improving the network training in convolutional neural networks
KÜBRA UYAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR