Geri Dön

Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde bulanıklığın giderilmesi

Unsupervised deblurring of digital breast tomosynthesis images using deep learning

PDF İndir

  1. Tez No: 833644
  2. Yazar: MÜBERRA AYDIN
  3. Danışmanlar: DOÇ. DR. İSA YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Anabilim Dalı
  13. Sayfa Sayısı: 55

Özet

Her yıl binlerce kişinin ölümüne neden olan kanserin teşhisinde, tümörün doğru lokalizasyonu tedavi süreci için hayati önem taşımaktadır. Hastalığın erken teşhisi, kanserli dokunun büyümesini ve daha fazla dokuya yayılmasını önlemek için çok önemlidir. Tıbbi görüntüleme teknikleri, kanserin erken teşhisine önemli katkı sağlamaktadır. Kadınlarda kansere bağlı ölüm oranlarında en yüksek paya sahip olan meme kanserinin erken teşhisinde de görüntüleme teknolojilerinden yararlanılmaktadır. Özellikle 40 yaş üstü kadınların kendilerini kontrol etmeleri ve ailelerindeki kanser öyküsüne bağlı olarak düzenli taramalardan geçmeleri önerilmektedir. Bu tarama işlemlerinde yaygın olarak mamografi kullanılmakla birlikte, dijital meme tomosentezi (DBT) kullanımı da giderek yaygınlaşmaktadır. Mamografi iki boyutlu (2B) görüntüler oluştururken, DBT üç boyutlu (3B) görüntüler oluşturur. DBT, mamografide üst üste binme nedeniyle gizli kalmış lezyonların teşhisini mümkün kılmaktadır. Ayrıca taramanın farklı açılarda yapılması, oluşturulan görüntülerle yanlış pozitif oranlarını azaltılmasını sağlamaktadır. Taramaların sınırlı açılarla gerçekleştirilmesi, önlenemeyen hasta hareketleri ve dedektör odaklama aşamasındaki aksaklıklar DBT görüntülerinde bulanıklık artefaktlarına neden olabilmektedir. Bulanıklık etkisi, görüntü kalitesini gözle görülür şekilde düşürerek uzmanın görüntüdeki anormallikleri fark etme olasılığının da düşmesine sebep olmaktadır. Bahsi geçen dezavantajların azaltılması için, farklı modalitelerde çeşitli görüntü restorasyon teknikleri uygulanmaktadır. Bu çalışmada, DBT görüntülerinde tanısal doğruluğu azaltan bulanıklık etkisinin önüne geçebilmek için bir derin öğrenme modeli önerilmektedir. Temel gerçek görüntülere erişimin mevcut olmaması veya zor bulunması nedeniyle, model denetimsiz olarak tasarlanmıştır. Önerilen modelin eğitimi için kanser görüntüleme arşivinden alınan ve 5060 hastaya ait normal, işlem yapılabilir, biyopsi ile kanıtlanmış iyi huylu ve biyopsi ile kanıtlanmış kanser olarak etiketlenmiş görüntüleri içeren Meme Kanseri Taraması-Dijital Meme Tomosentezi (BSC-DBT) veri seti kullanılmaktadır. İşlemci kapasitesinin az olması ve dicom görüntülerin saklanması için çok fazla bellek gerekmesinden ötürü görüntüler png uzantılı olarak kaydedilmektedir. Biçimleri değiştirilen görüntüler ilk olarak kontrast uyarlamalı adaptif histogram eşitleme (CLAHE) ve yeniden boyutlandırma işlemlerini içeren bir ön işleme sürecine tabi tutulmaktadır. Veri setinden seçilen 2600 görüntü eğitim verisi, 350 görüntü validasyon verisi ve 260 görüntü ise test verisi olarak ayrılmıştır. Seçilen verilere farklı seviyelerde kernel boyutları ve sigma değerleri ile Gaussian bulanıklık filtreleri uygulanmıştır. AE (Autoencoder) ve GANs (Generative Adversarial Networks) modellerinin art arda kullanılması ile tasarlanan bu model 2B konvolüsyon, batch normalizasyon, LeakyReLU aktivasyonu, MaxPool ve Dropout katmanlarını içermektedir. Tasarlanan model, bulanık görüntüyü temel alarak orijinal görüntüyü yeniden oluşturmayı amaçlar. Bulanık görüntü, gerçek dünya uygulamalarında yaygın olarak bulunan düşük kaliteli veya bozulmuş görüntülerin modellenmesi amacıyla kullanılmaktadır. Önerilen modelin başarısı kontrast-gürültü oranı (CNR), ortalama mutlak hata (MAE) ve yapısal benzerlik indeksi (SSIM) ve uzman radyolog tarafından yapılan yorumlar ile değerlendirilmiştir. Nicel değerlendirmeler sonucunda bulanıklıktan arındırılan görüntülerin, bulanık görüntülere kıyasla orijinal görüntülere daha benzer olduğunu ortaya koymaktadır. Hem nicel sonuçlar hem de nitel değerlendirmeler, önerilen modelin DBT görüntülerindeki bulanıklaştırma artefaktlarını ele almada oldukça umut verici olduğunu ve bunun da teşhis doğruluğunu artırmasının beklenebileceğini göstermektedir.

Özet (Çeviri)

In the diagnosis of cancer, which causes thousands of deaths every year, the correct localization of the tumor is vital for the treatment process. Early diagnosis of the disease is crucial to prevent the cancerous tissue from growing and spreading to more tissues. Medical imaging techniques contribute significantly to the early diagnosis of cancer. Imaging technologies are also utilized in the early diagnosis of breast cancer, which has the highest share in cancer-related mortality rates in women. Especially women over the age of 40 are advised to check themselves and undergo regular screening, depending on their family history of cancer. Although mammography is commonly used in these screening procedures, the use of digital breast tomosynthesis (DBT) is also becoming increasingly common. While mammography creates two-dimensional (2D) images, DBT creates three-dimensional (3D) images. Lesions that are hidden in mammography due to overlapping tissues are more likely to be diagnosed with DBT. Considering the amount of radiation the patient is exposed to, DBT is also less harmful than mammography. In addition, performing scans from different angles helps to reduce false positive rates with the images created. However, the limited angles of the scans, inevitable patient movements and detector defects in the focusing stage can lead to blurring artifacts in DBT images. The blurring effect significantly degrades image quality and makes it less likely for experts to detect abnormalities in the image. To mitigate these drawbacks, various image restoration techniques have been applied using different modalities as an alternative to conventional methods. Furthermore, using machine learning or deep learning algorithms, blurring can be effectively reduced, thus achieving faster and more efficient results. Since DBT is a newly developing technology, its use has not yet become widespread. For this reason, there are problems in obtaining data or accessing a ready data set. Due to the limitations in DBT datasets and the ongoing development of the imaging methods, obtaining ground truth images is challenging. In the face of this challenge, proposing an unsupervised method is essential to achieve the most effective results with the available data. The proposed model aims to reduce blurriness in DBT images, thereby increasing diagnostic accuracy and preventing false diagnoses, ultimately reducing female deaths from breast cancer. The Breast Cancer Screening-Digital Breast Tomosynthesis (BSC-DBT) dataset, which contains DICOM images labeled as normal, actionable, benign with biopsy-proven, and cancer with biopsy-proven from 5060 patients, obtained from a cancer imaging archive, is used for model training. The dataset does not contain the projections of the images, only the reconstructed DICOM images, which requires a very high memory usage for storage. Due to low processor capacity and the need for significant memory for storing DICOM images, the images are saved in PNG format. In addition, the images are pre-processed by first adjusting their dimensions to 256x256 to match the model's input requirements and then applying contrast-adaptive histogram equalization (CLAHE). CLAHE is used because the images in the dataset need contrast enhancement. In real life, the blurs in the images will not be at the same levels, so in order to increase the success of the model at different blur levels, Gaussian blur filters with different kernel sizes and sigma values were applied to the selected data to create data sets. Experiments have shown that the closest to ideal blur is obtained with kernel size (5.5) and a sigma value of 0.4, so the images are randomly blurred with a kernel size of 5.5 for 70% and a sigma value of 0.4 for 50%. The remaining blurs were distributed between kernel sizes (3,3), (7,7) and values 0.2, 0.6, 0.8, 0.9 and 1. GAN, which consists of two models: generative and discriminative, and AE, which consists of encoder and decoder networks, have been widely used for unsupervised de-blurring of real-world images. By using AE (Autoencoder) and GANs (Generative Adversarial Networks) models sequentially, an unsupervised learning model including 2D convolution, batch normalization, LeakyReLU activation, MaxPool and Dropout layers is created. The designed model aims to reconstruct the original image based on the blurred image. Blurred images are widely used to model low quality or distorted images, which are common in real world applications. In the proposed model, the encoder block transforms the images into a high-dimensional feature space containing their attributes, and then the high-dimensional feature space passes into a bottleneck, where dimension reduction is performed. In the decoder block, the features compressed in the bottleneck are reconstructed back to their original size and given as input to the model. The generator is used by the decoder to enhance the reconstructed image and transmits the output to the discriminative block. The generator block output to the discriminator block is compared with the blurred image that is the input of the model. According to the result of the comparison process, this comparison continues until the difference between them is minimized. Experiments were conducted using different epoch, chunk size and learning rate parameters in the training process. The best result, i.e. the lowest loss value, was obtained with a chunk size of 6, a learning rate of 2x10-5 and 32 epochs. The mean squared error (MSE) was used as the loss function to train the model. The success of the proposed model was evaluated using contrast-to-noise ratio (CNR), mean absolute error (MAE), structural similarity index measure (SSIM) and qualitative evaluations performed by specialist radiologists. In image enhancement studies, especially in denoising processes, it is observed that increasing the CNR value improves image quality. Moreover, the CNR values in the result images obtained with the proposed model are higher in blurred images. Since the pixel intensity values of the selected ROI (Region of Interest) and background in breast images are distributed in a narrow range, the results cannot be compared with images other than breast images. Therefore, CNR values for the original image and the blurred image were normalized by comparing them. These ratios were observed for 160 breast images in the test set. Based on these results, it was observed that the application of the proposed method to blurred images led to images that closely resemble the original. Second evaluation criterion was the calculation of the MAE between the blurred and de-blurred images compared to the original image. MAE, commonly used in image quality assessment, is defined as the average of the absolute differences between two different data sets. As the MAE value increases, the similarity between two images decreases, indicating that the resulting image differs from the original image. Another image quality measurement metric, SSIM, which is used when the similarity between two images is to be measured, takes values between 0 and 1. As SSIM approaches 1, it shows that the similarity between the images increases; as it approaches 0, it shows that the differences between the images increase. The results obtained from the evaluations are mostly higher than 0.94. This result shows how small the difference between the original, blurred and deblurred images is. According to the SSIM results, the similarity between the original and deblurred images is relatively higher than the original and blurred images. Both quantitative and qualitative evaluations show that the proposed model is promising in addressing blurring artifacts in DBT images and is expected to improve diagnostic accuracy.

Benzer Tezler

  1. Tez No

    833551

    Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde gürültünün giderilmesi

    Unsupervised denoising of digital breast tomosynthesis images using deep learning

    OSMAN ALPCAN ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  2. Tez No

    650413

    Deep learning for digital pathology

    Dijital patoloji için derin öğrenme

    CAN TAYLAN SARI

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR

  3. Tez No

    499549

    Enhancing deep extreme learning machines: Novel multi-kernel autoencoders and implementation for detecting the chronic obstructive pulmonary disease

    Derin aşırı öğrenme makinelerinin geliştirilmesi: Yeni çok çekirdekli autoencoderlar ve kronik obstruktif akciğer hastalığının belirlenmesinde uygulanması

    GÖKHAN ALTAN

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMustafa Kemal Üniversitesi

    Enformatik Ana Bilim Dalı

    YRD. DOÇ. DR. YAKUP KUTLU

  4. Tez No

    783537

    Hibrit konuşma aktivite tespiti kullanılarak D-vektör tabanlı bir konuşmacı diyarizasyon sisteminin tasarlanması

    Implementation of a D-vector based speaker diarization system using hybrid voice activity detection

    YUNUS KORKMAZ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYTUĞ BOYACI

  5. Tez No

    898612

    An improved transfer learning based siamese network for face recognation

    Yüz tanıma için geliştirilmiş aktarım öğrenme tabanlı sıamese ağı

    DALHM GHALIB HALBOOS AL-SHAMMARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    البروفيسور. دكتور. DEVRİM AKGÜN

Geri Dön