Brain lesion segmentation using deep learning
Derin öğrenme ile beyin lezyon segmentasyonu
- Tez No: 637295
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖRKEM SAYGILI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Detection and classification of brain tumors in MRI images using deep convolutional neural network
Başlık çevirisi yok
HUSSEIN ALISMAEELI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- 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
2024
Bilim ve TeknolojiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSA ATAŞ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- 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
2024
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİL ÖZER