Machine learning based augmentation of medical microwave imaging
Medikal mikrodalga görüntülemenin makine öğrenmesiyle iyileştirilmesi
- Tez No: 713812
- Danışmanlar: PROF. DR. MEHMET ÇAYÖREN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 85
Özet
Vücut içi görüntüleme yöntemlerine alternatif olan mikrodalga görüntüleme yönteminin biyolojik sistemlerde kullanılmak istenmesinin temel nedeni iyonize olmamasıdır. Meme kanseri, her yıl 2,3 milyon kadını etkileyen, kadınlar arasında kansere bağlı ölümlerin en yaygın nedenidir. Erken teşhis ve tedavi meme kanseri sonuçlarını iyileştirebilir. Mikrodalga görüntüleme cihazı maliyetleri daha uygundur. Bu, cihaza erişilebilirliği artırabilir. Ayrıca meme kompresyonunun olmaması da bir diğer avantajıdır. Uzay boşluğu dahil tüm ortamlar elektromanyetik özelliklere sahiptir. Maxwell denklemi, mikrodalga radyasyonunun madde üzerindeki etkilerini tanımlar ve bunlar dielektrik geçirgenlik, manyetik geçirgenlik ve elektriksel iletkenliktir. Bu dielektrik farklılıklar sayesinde saçılan dokunun özellikleri mikrodalga görüntüleme yöntemleri ile görüntülenebilmektedir. Her bir dokunun kendine özel diğer bir dokudan farklı dielektrik özellikleri bulunmaktadır. Bununla birlikte doku eğer aynı dokuya sahipse fakat tümörlü ise içerisindeki fazla kan akışı sebebiyle artık farklı dielektrik özelliklere sahip olacaktır. Bu dielektrik farklılıklar sayesinde saçıcı dokuya ait özellikler mikrodalga görüntüleme yöntemleri ile görüntülenebilir. Mikrodalga ters problemleri sınıflarından olan nitel ve nicel mikrodalga görüntüleme yöntemleri kullanılarak dielektrik özelliklere sahip saçıcıların bilinmeyen özellikleri belirlenebilir. Niceliksel yöntemler saçıcıya ait geçirgenlik ve iletkenlik özelliklerin de gösterilmesini sağlayabilirler bununla birlikte literatürde hesaplama açısından verimli ve hızlı olarak belirtilen kalitatif yöntemlerde, yalnızca konum ve şekil bilgisi tespit edilebildiği belirtilmiştir. Ancak kalitatif ters problemlerin çözümü ile saçıcının konum ve şekil bilgileri dışında, saçıcının elektromanyetik özelliklerinin de tespit edilebilmesi gerekir. Literatürde iyi bilinen nitel ters yöntemlerden doğrusal örnekleme yöntemi (LSM) ve faktörizasyon yöntemine (FM) ek olarak ters zamanlı göç (RTM) yöntemi de saçıcıların görüntülerinin yeniden oluşturulmasında kullanılır. Ters Zamanlı Geçiş yöntemi genellikle yeraltı aramalarında sismik görüntülemede kullanılır fakat literatürde biyomedikal alanda kullanılmasına tavsiye olabilecek birkaç çalışma bulunmaktadır. Bu nedenden dolayı diğer yöntemlere alternatif olarak Ters Zamanlı Geçiş yöntemi, teze özgünlük katan diğer bir faktör olarak kullanılmıştır. Nitel ters yöntemler kullanılarak oluşturulan görüntülerdeki piksel değişimleri incelenip saçıcının dielektrik özellikleri ile ilişkilendirilirse kalitatif ters problemlerin bu eksikliği giderilebilir. Tezin ilk bölümünde simülasyon ortamındaki bir saçıcıdan alınan s-parametreler kullanılarak, nitel ters metotları (LSM, FM, RTM) ile mikrodalga görüntüler oluşturulmuştur. Ters saçılma algoritmaları için formülasyonlar iki boyutta gerçeklenmiştir. Görüntüler ile saçıcının dielektrik özellikleri arasında ilişki yakalamak için mikrodalga görüntülerdeki cismin bulunması gereken konum bölgesinin maksimum piksel değerleri ve ortalamaları hesaplanarak grafikler oluşturulmuştur. Bu grafiklere bakıldığında saçıcının değişen dielektrik ve konum bilgilerine karşılık mikrodalga görüntülerdeki piksel değerleri arasında genel olarak logaritmik bir benzerlik olduğu gözlenmiştir. Bu işlemle eş zamanlı olarak nitel ters görüntüleme metotları ile olması istenen sentetik görüntüler arasında benzerlik değerlerine bakılarak kıyaslamalar da yapılmıştır. Bunun için norm ve MSE hesaplamaları yapılmıştır ve RTM yönteminin olması istenen sentetik görüntü değerlerine daha benzer olduğu gözlenmiştir. Bununla birlikte görüntüler oluşturulurken belirlenen senaryo için görüntüyü etkileyen etmenler (anten konumu, saçıcı sayısı, anten sayısı gibi) de gözlenmiştir. Her bir senaryo için tek frekansta çalışılmıştır. Saçıcı mikrodalga görüntüleri ve dielektrik özellikleri arasında bulunan ilişki sayesinde sınıflandırma ve tahmin yapılabilmesi için makine öğrenmesi yöntemi kullanılmıştır. Bu yaklaşım bu alan için oldukça özgündür. Makine öğrenmesinde kullanılmak üzere farklı konumlarda ve dielektrik özelliklerde görüntüler ile veri seti oluşturulmuştur. Bu görüntüler basit mikrodalga görüntüleridir ve SVD yöntemi kullanılarak görüntülerin sadece kilit bilgileri ile daha anlamlı sonuçlar oluşturulması amaçlanmıştır. Yani tekil değeri sadece en önemli ağırlıkta olanlar hesaplanarak bunlar dikkate alınmıştır. Burada kullanılan makine öğrenmesi algoritması olarak veri seti özelliklerine uygun olduğu düşünülen Adaboost kullanılmıştır. İlk aşamada dielektrik geçirgenlik değerleri belli olan ve sadece mikrodalga görüntü tekil değerlerini (singular value) içeren veri seti hazırlanarak sınıflandırma yapılmıştır. Bu test sonucunda AdaBoost modelinin sınıflandırma doğruluğu 0.950 olarak bulunmuştur. Sonuçların konfüzyon matrisi grafiği şekilde gösterilmiştir. Çapraz değerler incelendiğinde oluşturulan makine öğrenmesinin tahmin değerinin yüksek olduğu görülmektedir. İkinci aşamada ise olması beklenen sentetik görüntülere (ground truth or dielectric profile) ait tekil değerlerin mikrodalga görüntülere ait tekil değerler ile tahmin edilebilme durumu incelenmiştir. Bu aşamadaki veri seti sentetik görüntü ve mikrodalga görüntü tekil değerlerinin en önemli ağırlıkta olanlarından oluşmaktadır. Bunun sonucunda ise tahmin değeri yüksek MSE değerlerine sahip sonuçlar elde edilmiştir. Bu sonuçlardan elde edilen sentetik görüntü tekil değer tahminleri ile gerçek mikrodalga görüntü SVD değeri kullanılarak görüntüler yeniden oluşturulmuştur. Oluşan tahmin görüntüsü ile mikrodalga görüntüsü, olması istenen sentetik görüntüyle karşılaştırılarak görüntülerin benzerlik katsayıları hesaplanmıştır. Tahmin edilen görüntü piksel değerlerini büyüterek istenen dielektrik değerine yaklaştırmıştır. Bu aşamada Adaboost algoritmasının MSE sonuçları 0.034 olarak bulunmuştur. Tezin ikinci aşamasında ise simülasyon ortamında gerçek meme dokusuna benzer meme fantomu tasarlanarak buradan elde edilen görüntüler ile dielektrik kestirimi yapılması amaçlanmıştır. CST ortamında tasarlanan meme fantomunda kas dokusunun memeyle kesiştiği yerler dışındaki alanlar, hastanın yattığı Perfect iletken malzeme metal yüzeyini temsil eder. Burada kullanılan metal, istenilen frekansın daha küçük anten boyutları ile tasarlanmasını sağlar. Metal yüzey sayesinde muayene edilecek alan ile vücudun üst kısmı arasındaki ilişki kesilir. Eşleştirme ortamı (matching medium), meme dokusunda en yüksek orana sahip yağ dokusu ile aynı dielektrik özelliklere sahip olacak şekilde oluşturuldu. Bu işlem sayesinde tümör dokusunu gözlemlemek daha kolay olacaktır. Yine benzer şekilde meme fantomu verilerinden yeni veri seti oluşturulmuştur. Bir önceki makine öğrenmesi işlemleri sırasında yapılan işlemlere benzer olarak veri seti içerisinde bulunmayan bir meme fantomu mikrodalga görüntüsü sentetik görüntüsü ve dielektrik profili tahmin edilmiştir. Bulunan tekil değerler ile gerçek mikrodalga görüntüsü SVD değerleri yerine konularak görüntü piksel değeri yukarı değerlere taşınmış ve sentetik görüntü değerlerine yaklaşmıştır. Tahmin edilen görüntü ile meme fantomu simülasyonu sonucu elde edilen mikrodalga görüntü, olması istenilen sentetik görüntü ile benzerlik değerlerine bakılarak karşılaştırılmıştır. Bunun sonucunda tahmin edilen görüntünün mikrodalga görüntüyü iyileştirdiği söylenebilir. Bu tez kapsamında yapılan çalışmalar sonucunda tıbbi görüntüleme yöntemlerine alternatif bir yöntem olan iyonize olmayan mikrodalga görüntüleme yöntemleri kullanılarak dokuların özellikleri görselleştirilebilir. Gelecekte, daha karmaşık şekillere ve dielektrik özelliklere sahip saçıcılar içeren görüntüler kullanılarak sınıflandırma ve tahmin çalışmaları yapılabilir. Bu tezde her muayene için tek bir frekans çalışılmış, ancak çoklu frekans ile çalışıldığında daha da karmaşık şekillerin daha iyi görüntülenmesi mümkündür. Ayrıca bu makine öğrenmesi senaryosu gerçek meme dokusu görüntülerinde incelenebilir.
Özet (Çeviri)
The main reason why microwave imaging, which is an alternative to in-body imaging methods, is desired to be used in biological systems is that it is not ionized. Other reasons why it is desired to be used for the detection of udder tumor can be said that udder compression is not performed and the device materials are more affordable. Each tissue has its dielectric properties different from another tissue. However, if the tissue has the same tissue but is tumorous, it will now have different dielectric properties due to the excess blood flow in it. Quantitative methods, one of the classes of microwave inverse problems, can also show the permeability and conductivity properties of the scatterer, however, it has been stated that only position and shape information can be determined in the qualitative methods, which are stated as computationally efficient and fast in the literature. However, with the solution of qualitative inverse problems, apart from the position and shape information of the scatterer, the electromagnetic properties of the scatterer should also be determined. In addition to the well-known qualitative inverse methods in the literature, linear sampling method (LSM) and, factorization method (FM), inverse time migration (RTM) method is also used to reconstruct the images of scatterers. If the pixel changes in the images created using these methods are examined and correlated with the dielectric properties of the scatterer, this threshold of qualitative inverse problems can be eliminated. In the first part of the thesis, microwave images were created with qualitative inverse methods (LSM, FM, RTM) using s-parameters taken from a scatterer in the simulation environment. To capture the relationship between the images and the dielectric properties of the scatterer, graphs were created by calculating the maximum pixel values and averages of the location region of the object in the microwave images. When these graphs are examined, it is observed that there is a general logarithmic similarity between the pixel values in the microwave images despite the changing dielectric and position information of the scatterer. Simultaneously with this process, comparisons were made between the qualitative reverse imaging methods and the desired synthetic images by looking at the similarity of MSE values. In addition, the factors affecting the image were also observed for the scenario determined while creating the images. Thanks to the relationship between the scattering microwave images and their dielectric properties, machine learning methods were used to make classification and prediction. A dataset was created with images in different locations and dielectric properties to be used in machine learning. These images are simple microwave images and it is aimed to create more meaningful results with only the key information of the images by using the SVD method. As the machine learning algorithm used here, Adaboost, which is considered to be suitable for the data set features, was used. In the first stage, a dataset containing only microwave image singular values and dielectric permittivity values was prepared and classification was made. When the confusion matrix formed as a result of the classification was examined, it was observed that a high-accuracy classification was made. In the second stage, the possibility of predicting the singular values of the ground truth images with the singular values of the microwave images was examined. The data set at this stage consists of synthetic image and microwave image singular values with the most significant weight. As a result, results with high predictive MSE values were obtained. The images were reconstructed using the synthetic image singular value estimates obtained from these results and the real microwave image SVD value. The similarity correlation coefficients of the images were calculated by comparing the predicted image and the microwave image with the desired synthetic image. The estimated image pixel values were magnified and brought closer to the desired dielectric value. The second stage of the thesis is aimed to design a breast phantom similar to the real breast tissue in the simulation environment and to make a dielectric estimation with the images obtained from it. Similarly, a new dataset was created from the breast phantom data. Similar to the processes performed during the previous machine learning processes, a breast phantom microwave image synthetic image and dielectric profile not included in the dataset were estimated. By replacing the real microwave image SVD values with the singular values found, the image pixel value was moved to higher values and approached the synthetic image values. The estimated image and the microwave image obtained as a result of breast phantom simulation were compared with the desired synthetic image by looking at the similarity values. As a result, it can be said that the predicted image improves the microwave image.
Benzer Tezler
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Çekişmeli üretici ağ tabanlı veri artırımı ile derin öğrenme tabanlı tıbbi teşhis
Deep learning based medical diagnostics with generative adversarial network based data augmentation
AHMET EZGİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. AYTUĞ ONAN
DOÇ. DR. VAHİDE BULUT
- Göğüs x-ray görüntüleri kullanılarak pnömoninin tespiti ve sınıflandırılması
Diagnosis and classificatin of pnomania using chest x-ray images
HUSHAM SALAH AL DEEN OMAR OMAR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET BABALIK
- Makine öğrenme temelli glioma analizi ve derecelendirme sistemi
Machine learning based glioma analysis and grading system
HAKAN ÖZCAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU
PROF. DR. HAKAN SABUNCUOĞLU
- Derin öğrenme tabanlı şiddetli farenjit tespiti
Deep learning based severe pharyngitis detection
TUĞBA TAK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU