Artificial intelligent based segmentation on medical imaging
Medikal görüntü üzerinden yapay zeka tabanlı bölütleme
- Tez No: 809212
- Danışmanlar: DOÇ. DR. VOLKAN KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Teknolojinin ve teorik bilginin gelişmesiyle son 20 yıldır günlük hayatımızın her alanında olduğu gibi sağlık alanında da yapay zekâ (YZ)'nın uygulanması giderek artmaktadır. Özellikle koronavirüs (COVID-19) ve iskemik inme gibi toplum sağlığını tehdit eden hastalıkların YZ ile tespit edilmesi sağlık çalışanların iş yüklerini hafifleterek daha doğru tanı sağlamaktadır. Bu hastalıkların tespit edilmesinin yanında medikal görüntü üzerinden hastalık bölgelerinin bölütlenmesi, sağlık çalışanlarına tedavide yardımcı olabilecek bilgi sağlamaktadır. Bununla birlikte medikal görüntü üzerinden bölütlemenin hastalık bölgesinin küçük ve veri sayısının yetersiz olması gibi sorunları mevcuttur. Tez, veri artırma yöntemlerini ve hastalık bölgelerine odaklanabilen yeni yaklaşımları kullanarak üç ana katkı bölümünde bu sorunları ele almıştır. İlk olarak COVID-19 lezyonunun medikal görüntüleri üzerinden tespiti için DeepChestNet olarak adlandırılan özgün bir çerçeve önerilmiştir. COVID-19'un dokusu ve şekli görüntüdeki diğer yapılarla karıştırılabileceğinden, evrişimli sinir ağları (ESA), lezyonun yapılandırılmış ilişkilerini yakalamada hala sınırlıdır. Bu kısıtlamayı azaltmak için önerilen çerçeve; akciğer, akciğer lob ve COVID-19 lezyon bölütlemesi işlemlerini birleştirmiştir. Bölütleme işlemlerinin birleştirilmesi DeepChestNet'in lezyonların yapılandırılmış ilişkilerini daha fazla yakalayabilmesini ve COVID-19'un bulgularının tespitini sağlamaktadır. Ayrıca, bu bölümde bölütleme işlemleri için sırasıyla 9036, 9036 ve 1034 tane piksel düzeyinde açıklamalı etiketlere sahip eksenel göğüs bilgisayarlı tomografi (BT) görüntüleri içeren yeni geniş ölçekli DeepChestNet-Lung, DeepChestNet-Lobe ve DeepChestNet-COVID veri kümeleri toplanmıştır. Sonrasında, BT görüntülerindeki küçük COVID-19 bölgelerinin göze çarpan özelliklerini çıkarmada ESA mimarilerinin yetersiz olması nedeniyle U-TranSvision adlı özgün bir mimari önerilmiştir. Bu mimarimiz küçük COVID-19 lezyonları içeren görüntülerde bölütleme başarımını artırmak için göze çarpan özelliklere odaklanabilen transformer ve derin denetim yaklaşımlarını kullanmaktadır. Ayrıca U-TranSvision'ın bölütleme başarımını iyileştirmek için veri artırmada Pix2Pix çekişmeli üretici ağ (GAN) kullanılmıştır. Daha sonra, BT görüntülerindeki insan dokusu etrafında bulunan gürültüyü gideren ön işleme adımları uygulanmıştır. Mimarimizi eğitmek için önceki bölümdeki veri kümemize küçük lezyon bölgelerini içeren görüntüleri de ekleyerek toplamda 11.717 eksenel göğüs BT görüntüsü içeren nispeten büyük ölçekli bir veri kümesi oluşturuldu. Ayrıca U-TranSvision'ın sağlamlığı, COVID-19-CT-Seg, MosMedData ve MedSeg gibi halka açık üç veri kümesi üzerindeki deneyler ile gösterildi. Son olarak, iskemik inme hastalığının BT görüntüleri üzerinden tespit edilmesinde başarımı artırmak amacıyla ResUNet mimarisi değiştirilmiştir. ESA tabanlı mimariler iskemik inme hastalığının bölütlenmesinde göreceli olarak iyi başarım göstermesine rağmen, başarımı daha da artırmak için mimariler değiştirilebilmektedir. Bu nedenle, ResUNet mimarisine bir dilation konvolüsyon katmanı eklenmiştir ve bunun modelin doğruluğunu artırdığı gösterilmiştir. Ayrıca, parlaklık değişimi, Gaussian ve blur filtreleri uygulama, tuz biber ve Gauss gürültülerinin eklenmesi gibi geleneksel veri artırma yöntemlerinin yanı sıra Pix2Pix GAN yaklaşımı da kullanılarak modelin genelleme yeteneği artırılmıştır. Ayrıca, benzer çalışmalarla karşılaştırmak için halka açık iskemik inme veri kümesi kullanılmıştır.
Özet (Çeviri)
Over the past two decades, the increasing development of technology and theoretical knowledge has led to the growing application of artificial intelligence (AI) in various fields, including healthcare. AI-assisted diagnosis of public health threats, such as COVID-19 and ischemic stroke, leads to improved diagnostic accuracy and reduced workload for healthcare professionals. In addition, the segmentation of disease regions on medical images provides helpful information that can assist healthcare professionals in treatment. However, medical image segmentation still faces challenges such as data scarcity and the small size of disease regions. The thesis has addressed these challenges in three main contribution chapters, using data augmentation methods and new approaches that can focus on disease regions. First, a framework called DeepChestNet was proposed for COVID-19 lesion detection from medical images. Convolutional Neural Networks (CNN) are still limited in capturing the structured relationships of the lesions since the texture and shape of COVID-19 can be easily confused with other structures in the image. To minimize this limitation, the proposed framework combines the segmentation of the lung, pulmonary lobes, and COVID-19 lesions. The combined segmentation tasks enable DeepChestNet to better capture the structured relationships of the lesions and detect the findings of COVID-19. In addition, new large-scale DeepChestNet-Lung, DeepChestNet-Lobe, and DeepChestNet-COVID datasets containing axial chest computed tomography (CT) images with 9036, 9036, and 1034 annotated pixels, respectively, have been collected for the segmentation tasks in this chapter. Next, a novel architecture called U-TranSvision was proposed due to the poor performance of CNN architectures in extracting the salient features of small COVID-19 regions on CT images. Our architecture leverages transformer and deep supervision approaches focusing on salient features to improve segmentation performance in images containing small COVID-19 lesions. In addition, to improve the segmentation performance of U-TranSvision, the Pix2Pix generative adversarial network (GAN) was utilized for data augmentation. Next pre-processing steps were applied to reduce the noise around the human tissue in the CT images. To train our architecture, a relatively large dataset containing 11,717 axial chest CT images was created by adding images with small lesion regions to the dataset in the previous chapter. Furthermore, the robustness of our architecture was demonstrated by the experiments on three publicly available datasets, including COVID-19-CT-Seg, MosMedData, and MedSeg. Finally, the ResUNet architecture was modified to improve the performance of ischemic stroke disease segmentation on CT images. Although CNN-based architectures have shown relatively good performance in ischemic stroke disease segmentation, the architectures can be modified to further improve performance. Therefore, a dilation convolution layer has been added to the ResUNet architecture, and it has been shown to increase the accuracy of the model. In addition, traditional data augmentation methods such as brightness changes, Gaussian and blur filters, adding salt and pepper, and Gaussian noise, as well as the Pix2Pix GAN approach, were applied to improve the generalization ability of the model. Furthermore, a public ischemic stroke dataset was used for comparison with similar studies.
Benzer Tezler
- Dental panoramik radyografilerde derin öğrenme tabanlı segmentasyon yaklaşımları
Deep learning based segmentation approaches on dental panoramic radiographies
NİDA KUMBASAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. İBRAHİM YÜCEL ÖZBEK
- Tıbbi görüntü işlemede kapsül ağlar
Capsule networks in medical image processing
AHMET SOLAK
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAHİME CEYLAN
- 3B derin öğrenme kullanarak manyetik rezonans görüntülerinde beyin çıkarımı
Brain extraction in magnetic resonance images using 3D deep learning
ÇAĞRI DAŞGIN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KALİ GÜRKAHRAMAN
- Ön işleme tabanlı manyetik rezonans sekans karşılaştırmalı servikal lenf nodu segmentasyonu
Preprocessing based magnetic resonance sequence comparative cervical lymph node segmentation
ELİF AYTEN TARAKÇI
Tıpta Uzmanlık
Türkçe
2024
Kulak Burun ve BoğazSağlık BakanlığıKulak Burun Boğaz Ana Bilim Dalı
PROF. DR. METİN ÇELİKER
- Yapay zeka yöntemi ile bölütlenmiş karmaşık damar yapılarının üç boyutlu biyoyazıcı ile üretimi
Fabrication of complex vessel structures segmented by artificial intelligence method with three dimensional bioprinter
SERKAN SÖKMEN
Yüksek Lisans
Türkçe
2022
BiyomühendislikHacettepe ÜniversitesiBiyomühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SONER ÇAKMAK
DOÇ. DR. İLKAY ÖKSÜZ