Anatomic context-aware segmentation of organs-at-risk in thorax computed tomography scans
Toraks bilgisayarlı tomografi taramalarında risk altındaki organların anatomik içerik farkındalı segmentasyonu
- Tez No: 772090
- Danışmanlar: PROF. DR. ÇİĞDEM GÜNDÜZ DEMİR, PROF. DR. SELİM AKSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Organ segmentasyonu, hastalık teşhisinde ve radyasyon tedavisi planlamasında çok önemli bir rol oynar. Manuel segmentasyon zaman alıcı ve maliyetli olmasının yanı sıra gözlemciler arası değişkenliğe de yatkın olduğundan, risk altındaki organların (RAO'ların) verimli ve otomatik segmentasyonu daha önemli bir hale gelir. Risk altındaki organların derin öğrenme kullanılarak otomatik segmentasyonu, özellikle merkez kesitlerin şeklinin apikal ve bazal kesitlerden farklı olduğu organlarda, hata yaparak dış bölgeleri tahmin etmeye eğilimlidir. Bu tez, şekil ve anatomik içerik hakkındaki ön bilgileri derin öğrenmeye dayalı organ segmentasyonuna dahil etmek için yeni bir yöntem sunar. Bu ön bilgiyi nicelemek için, organın şekli, konumu ve organ pozisyonunun çevredeki organlara göre ilişki karakteristiklerini yakalayan mesafe dönüşümlerini kullanır. Bu tezde, mesafe dönüşümü regresyonunun tek başına veya sınıflandırma ile birlikte kullanılmasının organ segmentasyonu ağının genel performansını iyileştirdiğini göstermek için çeşitli mesafe dönüşümlerinin rolü araştırılmıştır. Mesafe dönüşümü olarak, her piksel ile organın merkezi arasındaki mesafe veya örneğin yemek borusu ve omurga gibi iki organ arasındaki en yakın mesafe kullanılmıştır. Bu tez, tek görev regresyon modelinde kullanıldığında, bu mesafe dönüşümlerinin segmentasyon sonuçlarını iyileştirdiğini göstermiştir. Ayrıca, sınıflandırmanın diğer görev olduğu çok görevli bir ağda kullanıldığında, sınıflandırma görevi için düzenleyici olarak çalışıp segmentasyonu iyileştirdiği gözlemlenmiştir. Deneyler, 265 hastanın bilgisayarlı tomografi (BT) toraks veri seti üzerinde gerçekleştirilmiştir. Kalp, yemek borusu, akciğerler ve omurga ilgi bölgeleri olarak seçilmiştir. Sonuçlar, önerilen model kullanılarak ROA'lar için segmentasyon yapıldığında, temel ağ mimarilerine kıyasla, f-skorlarında önemli bir artış ve Hausdorff mesafelerinde azalma olduğunu göstermiştir.
Özet (Çeviri)
Organ segmentation plays a crucial role in disease diagnosis and radiation therapy planning. Efficient and automated segmentation of the organs-at-risk (OARs) requires immediate attention since manual segmentation is a time consuming and costly task that is also prone to inter-observer variability. Automatic segmentation of organs-at-risk using deep learning is prone to predicting extraneous regions, especially in apical and basal slices of the organs where the shape is different from the center slices. This thesis presents a novel method to incorporate prior knowledge on shape and anatomical context into deep-learning based organ segmentation. This prior knowledge is quantified using distance transforms that capture characteristics of the shape, location, and relation of the organ position with respect to the surrounding organs. In this thesis, the role of various distance transform maps has been explored to show that using distance transform regression, alone or in conjunction with classification, improves the overall performance of the organ segmentation network. These maps can be the distance between each pixel and the center of the organ, or the closest distance between two organs; such as the esophagus and the spine. This thesis showed that when used in a single-task regression model, these distance maps improved the segmentation results. Moreover, when used in a multi-task network with classification being the other task, they acted as regularizers for the classification task and yielded improved segmentations. The experiments were conducted on a computed tomography (CT) thorax dataset of 265 patients and the organs of interest are the heart, the esophagus, the lungs, and the spine. The results revealed a significant increase in f-scores and decrease in the Hausdorff distances for the OARs when segmented using the proposed model compared to the baseline network architectures.
Benzer Tezler
- Biliyer sistem anatomik varyasyonlarının değerlendirilmesinde MRKP bulguları
Evaluation of anatomic variatons of the biliary system with MRCP
ÖZGÜR ÖZBİLEK
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpAkdeniz ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. OĞUZ BİRCAN
- Figür-mekan ilişkisi bağlamında fotogerçekçilik
Photorealism in the context of figure and place relationship
ONUR KARAALİOĞLU
- Deep Learning for Accelerated 3D MRI
Hızlandırılmış 3D MRG için Derin Öğrenme
MUZAFFER ÖZBEY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Nazofarenks kanserli hastaların radyoterapisinde helikal tomoterapi ve volümetrik ark tedavi tekniklerinin dozimetrik karşılaştırılması
Dosimetric comparison of helical tomotherapy and volumetric arc therapy techniques in radiotherapy of patients with nasopharynx cancer
FATMA CERİT AVCİ
Yüksek Lisans
Türkçe
2023
Fizik ve Fizik Mühendisliğiİstanbul Aydın ÜniversitesiSağlık Fiziği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FÜSUN ÇETİN
DR. ÖĞR. ÜYESİ AYDIN ÇAKIR