Automated segmentation of maxillary sinus from computed tomography images: A comparative analysis of U-net and its variants with pre-trained encoders
Bilgisayarlı tomografi görüntülerinden maksiller sinüsün otomatik bölümlendirilmesi:U-net ve önceden eğitimli kodlayıcılar ile karşılaştırılmalı bir analiz
- Tez No: 833587
- Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN ÖZBAY, DOÇ. DR. ORHAN TUNÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Devreler ve Sistemler Bilim Dalı
- Sayfa Sayısı: 80
Özet
Maksiller sinüs, solunum sisteminde önemli bir yere sahiptir ve bilgisayarlı tomografi görüntülerinden doğru bir şekilde ayırt edilmesi hâlâ zordur. Geleneksel manüel ve yarı otomatik yöntemler çok zaman alıcı ve tutarsızdır, dolayısıyla klinik uygulamalar için pek uygun değillerdir. Derin öğrenmenin gelişmesi sayesinde otomatik segmentasyon mümkün hale gelmiştir, ancak karmaşık sinüs anatomisi ve bireyler arası varyasyonlar gibi nedenlerle hâlâ zorluklar yaşanmaktadır. Bu çalışma, maksiller sinüs segmentasyonu için dört farklı derin öğrenme modelinin geliştirilmesi ve değerlendirilmesini sunmaktadır: düz bir U-Net modeli ve VGG16, ResNet50 ve Inception-ResNet v2'yi kodlayıcı olarak kullanan üç U-Net varyasyonu. Ana hedefler, bu modellerin doğru segmentasyon için değerlendirilmesi, MS içindeki hava bölümü ve mukoza iltihabının ayrıca segmente edilmesi, maksiller sinüs hacminin ve opasifikasyon oranlarının hesaplanması ve derin öğrenme modellerinin maksillofasiyal radyolojideki potansiyelini göstermektir. Inception-ResNet v2 - UNet modeli 0.96671 Dice ve 0.94004 intersection over union (IoU) skorları ile en iyi performansı gösterirken, düz U-Net dahil tüm modeller dikkate değer başarılar göstermiştir.
Özet (Çeviri)
The maxillary sinus holds an important position in the respiratory system, and its accurate segmentation from computed tomography (CT) images remains challenging. Traditional manual and semi-automatic methods are time-consuming and inconsistent, making them less suitable for clinical applications. Automated segmentation has become possible thanks to the advancements in deep learning, but challenges still exist due to the complex sinus anatomy and inter-individual variations. This study presents the development and evaluation of four different deep learning models for maxillary sinus segmentation: a plain U-Net model, and three U-Net variations that utilize VGG16, ResNet50, and Inception-ResNet v2 as encoders. The main objectives are to evaluate these models for accurate segmentation, to further segment the air section and mucosal inflammation within the MS, to calculate the maxillary sinus volume and opacification ratios, and to demonstrate the potential of deep learning models in maxillofacial radiology. The Inception-ResNet v2 - UNet model demonstrated the best performance with a Dice score of 0.96671 and an Intersection over Union (IoU) score of 0.94004, while all models, including the plain U-Net, have shown noteworthy successes.
Benzer Tezler
- Semi-supervised method for determining the maxillary and mandibular boundaries on panoramic radiographs
Panoramik radyografi görüntülerinde maksiller ve mandibüler yapıların sınırlarının belirlenmesi için yarı-gözetimli bir metot
BERKAY KAĞAN ÜLKÜ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İMAM ŞAMİL YETİK
- Sayısal dental modellerden otomatik cinsiyet tespiti
Automatic gender determination from digital dental models
BETÜL UZBAŞ
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ARSLAN
- Pelvik kemik yapılarının bölütlenmesi ve pelvik açılarının otomatik ölçümü
Segmentation of pelvic bone structures and automated calculation of pelvic angles
SEDA ŞAHİN
Doktora
Türkçe
2017
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EMİN AKATA
- Anatomic context-aware segmentation of organs-at-risk in thorax computed tomography scans
Toraks bilgisayarlı tomografi taramalarında risk altındaki organların anatomik içerik farkındalı segmentasyonu
HAYA SHAMIM KHAN KHATTAK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÇİĞDEM GÜNDÜZ DEMİR
PROF. DR. SELİM AKSOY
- Optimizing the accuracy of tumor segmentation in PET for radiotherapy planning using blind deconvolution method
Radyoterapi planlaması için PET tümör segmentasyon doğruluğunun kör dekonvolüsyon metodu ile optimize edilmesi
ALPASLAN KOÇ
Doktora
İngilizce
2019
Mühendislik BilimleriBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALBERT GÜVENİŞ