Bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı çoklu organ segmentasyonu
Deep learning based multi organ segmentation in computed tomography images
- Tez No: 715350
- Danışmanlar: DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 64
Özet
Gelişen teknoloji ile birlikte sağlık alanındaki en önemli gelişmeler tıbbi görüntüleme teknikleri sayesinde gerçekleştirilmektedir. Vücudumuzun iç yapısının tıbbi görüntüleme teknikleri aracılığıyla detaylı olarak görüntülenmesi sonucu organların durumu hakkında bilgi edinilmektedir. Elde edilen bu görüntüler radyologlar tarafından değerlendirilir ve yorumlanır. Tıbbi görüntü analizinde öncelikli olarak organların ve dokuların tanınması hastalık teşhisi ve tedavi planlamasının ilk aşamasıdır. Fakat tıbbi görüntüler üzerinden organların tanınması oldukça zor ve zaman alıcı bir işlemdir. Bu çalışmada radyologlara yardımcı olması için karın bölgesine ait bilgisayarlı tomografi görüntüleri üzerinde birden fazla organın segmentasyonunu sağlayan bilgisayar destekli otomatik tanı sistemi gerçekleştirilmiştir. Derin Öğrenme modellerinin diğer bilgisayarlı görü alanlarında olduğu gibi segmentasyon alanında da yüksek başarı elde etmesi nedeniyle otomatik çoklu organ segmentasyon işleminde derin öğrenme yöntemi olan tam evrişimli bir sinir ağı kullanılmıştır. Bu çalışmada Vanderbilt Üniversitesinin çoklu organ segmentasyon yarışması (MICCAI 2015 Multi-Atlas Abdomen Labeling Challenge) için sağladığı veri seti kullanılmıştır. Veri setindeki dosyalar NIfTI formatında 3 boyutlu karın tomografi görüntüleridir. Bu görüntülerden HSV renk uzayında görüntü elde edilerek farklı renk uzaylarının birleştiren iki aşamalı 3D U-Net modelinin kullanıldığı füzyon bir yaklaşım önerilmiştir. Önerilen modelin değerlendirilmesi için Dice benzerlik katsayısı kullanılmıştır ve test işlemi sonucunda en yüksek Dice skorunun elde edildiği organ karaciğer ve en düşük skorun elde edildiği organ sol böbrek üstü bezi olarak bulunmuştur. Tüm organların ortalama doğruluk skoruna bakıldığında radyologlara yardımcı olması için gerçekleştirilen otomatik segmentasyon sisteminin başarılı ve umut verici olduğu görülmüştür.
Özet (Çeviri)
With the evolving technology, the most significant advancements in the field of health are happened through medical imaging techniques. As a result of complicated and detailed imaging of the within structure of our body with help of medical imaging techniques, data about the state of the organs is received. These obtained images are read, rendered and interpreted by radiologists. Determination of organs and tissues in medical image analysis is the first step of disease diagnosis and cure planning. It is hard and time-consuming to recognize organs through increasing medical images. In this study, a computer-assisted automatic diagnosis system that provides segmentation of more than one organ on computed tomography images of the abdominal region has been implemented to assist radiologists. A fully convolutional neural network, which is a deep learning method of automatic multi-organ segmentation process, is used since Deep Learning models have accomplished high achievements in the segmentation field same as other computer vision fields. In this study, the data set published for the multi-organ segmentation contest (MICCAI 2015 Multi-Atlas Abdomen Labeling Challenge) from Vanderbilt University has been used. The files in this dataset are 3D abdominal tomography images in NIfTI format. A fusion approach is recommended using a two-stage 3D U-Net model that combines different color spaces by acquiring images in HSV color space from these images. Dice similarity coefficient was used to assess the proposed model, and the organ with the highest Dice score as a result of the test procedure was the liver and the organ with the lowest score was the left adrenal gland. Considering the average accuracy score of all organs, it was seen that the automatic segmentation system implemented to help radiologists is successful and promising.
Benzer Tezler
- Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches
Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması
İLKNUR AKTEMUR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Konik ışınlı bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı kritik anatomik yapıların tespiti
Deep learning based detection of critical anatomical structures in cone beam computed tomography images
FURKAN AYDIN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSamsun ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUAMMER TÜRKOĞLU
- Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
RABİYE KILIÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Eko görüntülerinde derin öğrenme tabanlı aort kapak ilgi bölgesi ve kalsifikasyon tespiti
Deep learning-based aortic valve region of interest and calcification detection in echo images
MERVENUR ÇAKIR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EKİNCİ
- Derin öğrenme yöntemine dayalı yapay zeka algoritmalarıyla konik ışınlı bilgisayarlı tomografi görüntülerinde dişlerin tespit edilmesi ve numaralandırılması
Detection and numbering of teeth in CONE-BEAM computed tomography images with artificial intelligence algorithms based on deep learning method
HANDE SAĞLAM
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiEskişehir Osmangazi ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. İBRAHİM ŞEVKİ BAYRAKDAR