Geri Dön

Abdomen BT görüntülerinde pankreas segmentasyonu için yeni bir derin öğrenme yaklaşımı: Pascal U-Net

A new deep learning approach for pancreas segmentation on abdomen CT images: Pascal U-Net

  1. Tez No: 682077
  2. Yazar: ENDER KURNAZ
  3. Danışmanlar: DOÇ. DR. RAHİME CEYLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 87

Özet

Günümüzde derin öğrenme modellerinin medikal görüntü işlemede kullanımı hız kazanmıştır. Özellikle kesit görüntülerinden organ segmentasyonu üzerine gerçekleştirilen çalışmalarda derin öğrenme yöntemleri sıklıkla tercih edilmektedir. Abdomen bölgesinde yer alan pankreas, her insanda şekil, konum ve büyüklük bakımından farklı olduğundan segmentasyonu oldukça zorlayıcıdır. Bu problemin çözümünde literatürde genellikle derin öğrenme modellerinden biri olan U-Net modeli tercih edilmektedir. Bu tez çalışmasında, pankreas segmentasyonu için Pascal üçgenindeki sayı dizilimine uygun bir mimariye sahip ve U-Net modelini temel alan yeni bir derin öğrenme modeli önerilmiştir. Önerilen bu model Pascal U-Net modeli olarak isimlendirilmiştir ve modelin başarımı iki farklı veri seti üzerinde değerlendirilmiştir. İlk olarak halka açık ve literatürde sıklıkla kullanılan bir veri seti olan The Cancer Imaging Archive Pankreas-BT veri setinden yararlanılmıştır. Ayrıca ikinci veri seti olarak Selçuk Üniversitesi Tıp Fakültesi Hastanesi Radyoloji Bölümü'nden alınan abdomen BT görüntüleri kullanılmıştır. Veri setlerindeki kayıtlardan her hasta için bir kesit görüntüsü seçilmiş ve önişleme yöntemleri uygulanarak derin öğrenme ağları için veri setleri oluşturulmuştur. Pascal U-Net modeli ile her iki veri seti üzerinde elde edilen pankreas segmentasyon sonuçlarının karşılaştırılması için, aynı veri setleri üzerinde U-Net modeli ile de segmentasyon işlemi gerçekleştirilmiştir. 2, 4 ve 6 katlı çapraz doğrulama ve 1'den 10'a kadar farklı yığın sayılarında çalıştırılan derin öğrenme modelleri sonucunda elde edilen segmentasyon haritaları, 7 farklı performans metriği kullanılarak değerlendirilmiştir. Her bir yığın sayısı ve farklı kat çapraz doğrulama ile gerçekleştirilen pankreas segmentasyonu sonuçları, 10 kez çalıştırma sonuçlarının ortalamasıdır. Hem U-Net hem de Pascal U-Net segmentasyon sonuçları 7 farklı metrik ve görsel değerlendirmeler temel alınarak analiz edilmiştir. Sonuçlar incelendiğinde; her iki veri setinde de Pascal U-Net modeli, geleneksel U-Net mimarisine karşı Dice Benzerlik Katsayısı metriği bakımından yaklaşık %1'lik bir değer ile üstünlük göstermiştir.

Özet (Çeviri)

Nowadays, the use of deep learning models in medical image processing has gained momentum. Especially in studies on organ segmentation from slice images, deep learning methods are frequently preferred. Since the pancreas, located in the abdominal region, differs in shape, location and size in each person, its segmentation is quite challenging. To solve this problem, the U-Net model, which is one of the deep learning models, is generally preferred in the literature. In this thesis, a new deep learning model based on the U-Net model with an architecture suitable for the number sequence in Pascal's triangle has been proposed for pancreatic segmentation. This proposed model is named Pascal U-Net model and the performance of the model is evaluated on two different data sets. First, The Cancer Imaging Archive Pancreas-CT dataset, which is a publicly available and frequently used dataset in the literature, was used. In addition, abdominal CT images taken from the Department of Radiology at Selcuk University Medical Faculty Hospital were used as the second data set. A slice image was selected for each patient from the records in the datasets and datasets for deep learning networks were created by applying preprocessing methods. In order to compare the pancreatic segmentation results obtained on both data sets with Pascal U-Net model, segmentation process was also performed on the same data sets with the U-Net model. Segmentation maps obtained as a result of 2, 4 and 6 fold cross validation and deep learning models run on different batch sizes from 1 to 10, were evaluated using 7 different performance metrics. Pancreas segmentation results performed with each batch size and different fold cross validation are the average of 10 run results. Both U-Net and Pascal U-Net segmentation results were analyzed based on 7 different metrics and visual evaluations. When the results are examined; in both data sets, Pascal U-Net model outperformed traditional U-Net architecture with a value of approximately 1% in terms of Dice Similarity Coefficient metric.

Benzer Tezler

  1. Bilgisayarlı tomografi (BT) görüntülerinde safra kesesi taşının morfometrik özelliklerinin belirlenmesi ve karaciğer içi safra kanallarının tespiti

    Determination of morphometric properties of gallstone and detection of intra-hepatic bile ducts in computerized tomography images (CT)

    MAHMUT NEDİM EKERSULAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ALKAN

  2. Travma hastalarına çekilen abdominal tomografi görüntülerinin acil tıp asistanı tarafından akut travma patolojilerini değerlendirme düzeyi

    The level of evaluation of acute trauma pathologies by the emergency medicine assistant of abdominal tomography images taken in trauma patients

    MEHMET SOYUGÜZEL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Acil TıpAfyonkarahisar Sağlık Bilimleri Üniversitesi

    Acil Tıp Ana Bilim Dalı

    YRD. DOÇ. DR. AYŞE ERTEKİN

  3. Akut pankreatit'te difüzyon MR görüntülemenin yararının değerlendirilmesi ve bulguların klinik ve bilgisayarlı tomografi tetkiki ile korele edilmesi

    Benefits of acute pancreatitis in the diffusion-weighted MR imaging; correlate with clinical evaluation and computer tomography examinations

    ELİDOR AGOLLİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    DOÇ. DR. BARIŞ BAKIR

  4. Kontrastsız abdomen BT'de tip 2 DM hastalarının vücut kompozisyonunun yapay zeka ile değerlendirilmesi

    Evaluation of body composition of type 2 DM patients in non-contrast abdominal CT with artificial intelligence

    MERVE BAŞDEMİRCİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpBolu Abant İzzet Baysal Üniversitesi

    Radyoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MELİKE ELİF KALFAOĞLU

  5. Bilgisayarlı tomografide ölçülen mide antropilor cidar kalınlıkları ile endoskopi ve/veya biyopsi sonuçlarının karşılaştırılması

    The comparison of endoscopy and/or biopsy results with gastric antropylor wall thickening measurements on CT images

    ZÜLKÜF AKDEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer TıpYüzüncü Yıl Üniversitesi

    Radyoloji Ana Bilim Dalı

    YRD. DOÇ. DR. ALPASLAN YAVUZ