3B derin öğrenme kullanarak manyetik rezonans görüntülerinde beyin çıkarımı
Brain extraction in magnetic resonance images using 3D deep learning
- Tez No: 857899
- Danışmanlar: DR. ÖĞR. ÜYESİ KALİ GÜRKAHRAMAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Tıbbi görüntüleme, nörolojik koşulların teşhisi ve tedavisinde hayati bir rol oynamaktadır. Tıbbi görüntülerden beyni hassas bir şekilde çıkarma yeteneği, beyin hastalıklarının teşhisi, tedavi planlaması ve beyin fonksiyon analizi dahil olmak üzere çeşitli nörogörüntüleme uygulamalarında temel bir adımdır. Zaman içinde, hassas ve verimli beyin çıkarımı tekniklerine olan talep, nörogörüntüleme analizlerinin doğruluğunu artırma öneminden dolayı önemli ölçüde artmıştır. Beyin çıkarımı için geleneksel yöntemler kullanılmıştır, ancak genellikle karmaşık anatomik değişkenlerle, görüntü artefaktlarıyla ve manuel parametre ayarlarına ihtiyaç duyulduğunda zorluklarla karşılaşırlar. Bu sınırlamalar, araştırmacıları derin öğrenme ve yapay zeka kökenli yöntemleri keşfetmeye yönlendirmiştir. Son yıllarda, bilgisayar donanımının hızlı gelişimi, büyük ölçekli elektronik tıbbi görüntü veri setlerinin kullanılabilirliğiyle birleşerek beyin çıkarımı görevine özgü derin öğrenme modellerinin geliştirilmesi için uygun bir zemin sunmuştur. Bu modeller, çıkarma işlemini otomatikleştirmenin ve optimize etmenin potansiyelini sunar, operatörler üzerindeki yükü azaltır ve çıkartılan beyin görüntülerinin kalitesini önemli ölçüde artırır. Bu çalışma, Manyetik Rezonans Görüntüleme (MRG) taramalarından beyin çıkarımı için ResNet-50 veya DenseNet121 öznitelik çıkarma katmanlarını 3D U-Net mimarisi içine entegre etmeye odaklanmıştır. Bu gelişmiş modellerin çeşitli MRG veri kümesinden beyin yapılarını doğru ve verimli bir şekilde çıkarmada etkililiğini göstermeyi amaçlamıştır. Ayrıca, önerilen modelin performansı, Internet Brain Segmentation Repository (IBSR), Neurofeedback Skull-stripped (NFBS) ve CC-359 gibi kamuya açık veri kümeleri kullanarak farklı veri kümeleri ve senaryolarda geçerliliği doğrulanmıştır. U-Net'e eklenen öznitelik çıkarma katmanlarının karşılaştırma sonuçları, tüm veri kümelerinde ResNet50'den gelen artık bağlantıların daha iyi performans göstermiştir. ResNet50 bağlantılarının, beyin sınır bölgelerindeki zayıf ancak önemli gradyan değerlerinin ayırt edilmesine yardımcı olduğu söylenebilir. Ayrıca, en iyi sonuçlar CC-359 veri kümesi ile elde edilmiştir. CC-359'dan elde edilen bu iyileşme, veri setinin daha fazla kesit ve örnek içermesinden kaynaklandığını söylemek elde edilen performans değerleri açısından tutarlı olacaktır. Elde edilen sonuçlar, geliştirilen modelin nörogörüntüleme alanına katkıda bulunma potansiyelini göstermek amacıyla literatürde rapor edilen sonuçlarla karşılaştırılmıştır.
Özet (Çeviri)
Medical imaging plays a crucial role in the diagnosis and treatment of neurological conditions. The ability to accurately extract the brain from medical images is a fundamental step in various neuroimaging applications, including the diagnosis of brain disorders, treatment planning, and brain function analysis. Over time, the demand for precise and efficient brain extraction techniques has significantly increased due to the importance of improving the accuracy of neuroimaging analyses. Traditional methods have been used for brain extraction, but they often encounter challenges related to complex anatomical variations, image artifacts, and the need for manual parameter adjustments. These limitations have prompted researchers to explore deep learning and artificial intelligence-based methods. In recent years, the rapid advancement of computer hardware, combined with the availability of large-scale electronic medical image datasets, has provided a suitable foundation for the development of deep learning models tailored to the task of brain extraction. These models offer the potential to automate and optimize the extraction process, reduce the burden on operators, and significantly improve the quality of extracted brain images. This study focuses on integrating ResNet-50 or DenseNet121 feature extraction layers into the 3D U-Net architecture for brain extraction from Magnetic Resonance Imaging (MRI) scans. The aim is to demonstrate the effectiveness of these enhanced models in accurately and efficiently extracting brain structures from various MRI datasets. Additionally,the performance of the proposed model has been validated across different datasets and scenarios using publicly available datasets such as the Internet Brain Segmentation Repository (IBSR), Neurofeedback Skull-stripped (NFBS), and CC-359. Comparison results of feature extraction layers added to U-Net show that the residual connections from ResNet50 outperform in all datasets. It can be said that ResNet50 connections assist in distinguishing weak but significant gradient values at the brain boundary regions. Furthermore, the best results are obtained with the CC-359 dataset. This improvement from CC-359 can be attributed to the dataset containing more slices and samples, and it will be consistent in terms of achieved performance values. The obtained results have been compared with those reported in the literature to demonstrate the potential contribution of the developed model to the field of neuroimaging.
Benzer Tezler
- Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images
Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları
BEYTULLAH SARICA
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Cerebrospinal fluid lumen segmentation with artificial intelligence techniques
Yapay zeka teknikleri ile beyin omurilik sıvısı lümen bölütlemesi
AYŞE KELEŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ
PROF. DR. OKTAY ALGIN
- Deep convolutional neural network based broken magnet detection of PMSM using finite element analysis
Sonlu elemanlar analizi kullanarak PMSM'nin derin dönüşümlü sinir ağı tabanlı kırık mıknatıs tespiti
AMIN GHAFOURI MATANAGH
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BARIŞ ÖZTÜRK
- Development of magnetic and image based cell cytometry techniques
Manyetik ve görüntü tabanlı hücre sitometri tekniklerinin geliştirilmesi
ŞEYDA KELEŞ
Yüksek Lisans
İngilizce
2024
Biyomühendislikİzmir Yüksek Teknoloji EnstitüsüBiyomühendislik Ana Bilim Dalı
DOÇ. DR. HÜSEYİN CUMHUR TEKİN
- Derin öğrenme yöntemleri kullanarak 3B geometri işleme ve uygulamaları
3D geometry processing and applications by using deep learning methods
KAYA TURGUT
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HELİN DUTAĞACI