Geri Dön

Brain lesion segmentation using deep learning

Derin öğrenme ile beyin lezyon segmentasyonu

  1. Tez No: 637295
  2. Yazar: YASEMİN GÖKÇEKUYU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ GÖRKEM SAYGILI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 92

Özet

Beyin lezyonları, bulunduğu yere ve büyüklüğüne bağlı olarak beynin farklı işlevlerinde bozulmalara neden olabilir. Beyin lezyonlarının doğru ve hızlı bir şekilde tanımlanması, tedavi sürecinin önemli bir aşamasıdır. MRG tekniği genellikle beyin lezyonlarını belirlemek için kullanılır. Uzmanlar, MR görüntülerinde lezyonların boyutunu ve yerini manuel olarak belirler. Ayrıca, uzmanlar hastanın rahatsızlığına göre birçok MR sekansı isteyebilir. MR sekanslarının manuel segmentasyonu radyologların hatalarını içerdiği gibi aynı zamanda zaman alıcı, yavaş ve pahalı olabilir. Bu sorunu hafifletmek için beyin lezyonlarının otomatik segmentasyonu için birçok yöntem önerilmiştir. Bu tezde, bu amaç için yeni bir yöntem öneriliyor. Yöntemimiz U-Net olarak bilinen mimariyi kullanarak aynı MR görüntüsü üzerinde farklı lezyon bölgelerinde transfer öğreniminin gücünü kullanır. Önerilen yöntem, segmentasyon için farklı MR sekansları kullanan iki yeni algoritmadan daha iyi performans göstermiştir. 128X128 uzamsal çözünürlükte HGG etiketli BraTS 2015 doğrulama verileri kullanarak, tüm, gelişmiş ve çekirdek tümörler için sırasıyla 0.80, 0.74 ve 0.69 dice skorları elde edildi. LGG etiketli doğrulama verilerinde, tüm, gelişmiş ve çekirdek tümörler için sırasıyla 0.72, 0.71 ve 0.55 dice skorları elde edildi. HGG etiketli BraTS 2018 test verileri için, sırasıyla tüm, gelişmiş ve çekirdek tümörler için 0.74, 0.72 ve 0.58 zar skorlarına ulaşıldı. Ayrıca LGG etiketli test verilerinde tüm, gelişmiş ve çekirdek tümörler için 0.80, 0.58 ve 0.46 zar skorlarına ulaşıldı.

Özet (Çeviri)

Brain lesions can cause disruptions in different functions of the brain depending on its location and size. Accurate and rapid identification of brain lesions is a crucial stage of the treatment process. MRI technique is generally used to determine brain lesions. Specialists determine the size and location of the lesions manually on MR images. Furthermore, experts may demand many MR sequences in line with the patients' diseases. Manual segmentation of MR sequences can be time-consuming, slow, and expensive as well as prone to the radiologists' errors. To alleviate this problem, many methods have been proposed for the automatic segmentation of brain lesions. In this paper, it is propose a new method for this purpose. Our method exploits the power of transfer learning on different lesion regions in the same MR image using the architecture known as the U-Net. The proposed method outperformed two recent algorithms, which use different MR sequences for the segmentation. Using HGG-labeled BraTS 2015 validation data on 128X128 spatial resolution, it was achieved 0.80, 0.74, and 0.69 dice scores for the whole, enhanced, and core tumors, respectively. On the LGG-labeled validation data, it was achieved 0.72, 0.71, and 0.55 dice scores for the whole, enhanced, and core tumors, respectively. For the HGG-labeled BraTS 2018 test data, it was attained 0.74, 0.72, and 0.58 dice scores for the whole, enhanced, and core tumors. Besides, it was attained 0.80, 0.58 and 0.46 dice scores for the whole, enhanced, and core tumors on the LGG-labeled test data.

Benzer Tezler

  1. Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images

    Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları

    BEYTULLAH SARICA

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  2. Detection and classification of brain tumors in MRI images using deep convolutional neural network

    Başlık çevirisi yok

    HUSSEIN ALISMAEELI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  3. Üretken çekişmeli ağların (Gan) tıp alanındaki uygulamaları: Görüntü işleme ve tanı süreçlerinde Gan'ların rolü

    Applications of generative adversarial networks (Gan) in medicine: The role of Gans in image processing and diagnostic processes

    HAMİT OLĞAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiDicle Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSA ATAŞ

  4. Derin öğrenme mimarileri ile MR taramalarından omuriliğin otomatik bölütlenmesi ve MS lezyonlarının ayırıcı tanısı

    Automatic segmentation of the spinal cord from MR scans and differential diagnosis of MS lesions with deep learning architectures

    RUKİYE POLATTİMUR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  5. Yüksek dereceli gliomlarda tedaviye bağlı gelişen radyonekrozun, nüks ya da rezidü tümöral lezyondan ayrımında bilgisayar temelli yapay zekânın rolü

    The role of computer-based artificial intelligence in distinguishing treatment-related radiation necrosis from recurrent or residual tumoral lesions in high-grade gliomas

    İBRAHİM ALTINDAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpSelçuk Üniversitesi

    Radyoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HALİL ÖZER