Small Organ and Tumor Segmentation
Küçük Organ ve Tümör Segmentasyonu
- Tez No: 841484
- Danışmanlar: DOÇ. DR. CEMİL ZALLUHOĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, baş ve boyun kanseri radyoterapi planlamasında küçük risk altındaki organların (OAR'ler) ve brüt tümör hacimlerinin (GTV'ler) otomatik segmentasyonu için birleşik bir çok görevli derin öğrenme çerçevesi önermektedir. Araştırma, geleneksel tek görevli modellerin küçük anatomik yapılarda (mercek ≈0,2 cc, kiazma ≈0,5 cc) ve tümör hacimlerinde (GTVp: %78-79 DSC, GTVnd: %67-69 DSC) yetersiz performans gösterdiği kritik bir klinik zorluğa çözüm bulmayı amaçlamaktadır. Önerilen yaklaşım, OAR ve GTV segmentasyon görevleri arasındaki anatomik ilişkileri ve paylaşılan görsel temsilleri kullanarak, doğru OAR sınırlandırmasının tümör lokalizasyonu için değerli coğrafi kısıtlamalar sağladığı hipotezini ortaya koymaktadır. Çerçeve, hibrit CNN-Transformer kodlayıcıları, çok ölçekli özellik işleme, dinamik görev ağırlıklandırma mekanizmaları ve dikkat güdümlü özellik birleştirme gibi gelişmiş mimari bileşenleri entegre etmektedir. SegRap2023 veri seti (45 OAR ve 2 GTV içeren 120 vaka) üzerinde kapsamlı bir değerlendirme yapılacak ve bu değerlendirme HNTS-MRG, RADCURE ve TCIA veri setleri üzerinde harici doğrulama ile desteklenecektir. Beklenen sonuçlar şunlardır: (1) küçük OAR'lar için %3-5 DSC iyileşmesi, (2) özellikle GTVnd olmak üzere GTV'ler için %4-7 DSC iyileşmesi, (3) tümör evreleri arasında artan tutarlılık ve (4) belirsizlik nicelleştirme ve kalite kontrol mekanizmaları ile klinik iş akışı entegrasyonu. Bu araştırma, radyoterapi planlama kalitesini önemli ölçüde iyileştirme, klinisyen iş yükünü azaltma ve baş ve boyun kanseri hastaları için tedavi sonuçlarını iyileştirme potansiyeline sahiptir.
Özet (Çeviri)
This thesis proposes a unified multi-task deep learning framework for automated segmentation of small organs-at-risk (OARs) and gross tumor volumes (GTVs) in head and neck cancer radiotherapy planning. The research addresses a critical clinical challenge where conventional single-task models achieve suboptimal performance on small anatomical structures (lens ≈0.2 cc, chiasm ≈0.5 cc) and tumor volumes (GTVp: 78-79% DSC, GTVnd: 67-69% DSC). The proposed approach exploits anatomical relationships and shared visual representations between OAR and GTV segmentation tasks, hypothesizing that accurate OAR delineation provides valuable geographic constraints for tumor localization. The framework integrates advanced architectural components including hybrid CNN-Transformer encoders, multi-scale feature processing, dynamic task weighting mechanisms, and attention-guided feature fusion. A comprehensive evaluation will be conducted on the SegRap2023 dataset (120 cases with 45 OARs and 2 GTVs), complemented by external validation on HNTS-MRG, RADCURE, and TCIA datasets. The expected outcomes include: (1) 3-5% DSC improvement for small OARs, (2) 4-7% DSC improvement for GTVs, particularly GTVnd, (3) enhanced consistency across tumor stages, and (4) clinical workflow integration with uncertainty quantification and quality control mechanisms. This research has potential to significantly improve radiotherapy planning quality, reduce clinician workload, and enhance treatment outcomes for head and neck cancer patients.
Benzer Tezler
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Termal görüntü analizi ile tümörlerin erken tanılanması
Early detection of tumors with thermal imaging analysis
CANSU HİDAYET KELEBEK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ENGİN
- Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer
Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu
MURAT YÜCE
Yüksek Lisans
İngilizce
2024
BiyomühendislikAcıbadem Mehmet Ali Aydınlar ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. SEDA NİLGÜN DUMLU
DOÇ. DR. SİNEM BURCU ERDOĞAN
- Moleküler patoloji tetkiklerinde tümör yüzdesi belirlemede yapay zekâ tabanlı dijital patoloji algoritması geliştirilmesi
Development of an artificial intelligence-based digital pathology algorithm for determining tumor percentage in molecular pathology examinations
YUNUS BARAN KÖK
Tıpta Uzmanlık
Türkçe
2024
PatolojiAcıbadem Mehmet Ali Aydınlar ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
PROF. DR. ASİYE IŞIN DOĞAN EKİCİ
- Küçük hücre dışı akciğer kanserinde erken evre ve lenf metastazı vakalarına ilişkin tümör eğitimli trombosit (TEP) RNA profillerinin mikroarray yöntemi ile araştırılması
Investigation of tumor-educated platelet (TEP) RNA profiles in early-stage and lymph node metastasis cases of non-small cell lung cancer using the microarray method
EDA ASİL
Doktora
Türkçe
2025
GenetikKocaeli ÜniversitesiTıbbi Genetik ve Moleküler Biyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA EREN KESKİN