Geri Dön

Eko görüntülerinde derin öğrenme tabanlı aort kapak ilgi bölgesi ve kalsifikasyon tespiti

Deep learning-based aortic valve region of interest and calcification detection in echo images

PDF İndir

  1. Tez No: 876733
  2. Yazar: MERVENUR ÇAKIR
  3. Danışmanlar: PROF. DR. MURAT EKİNCİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Kalp hastalıklarının otomatik tespiti, kardiyologların ekokardiyografi görüntülerini kullanarak teşhislerinin doğruluğunu artırmak ve teşhis süresini azaltmak için bir araç olarak şu anda yaygın bir ilgi görmektedir. Aort darlığı kalp hastalıklarının temelini oluşturan ve ilerlediği takdirde bir çok hastalığa yol açan bir durumdur. Kalbin aort bölgesinde kalsifik alanların oluşması ise aort darlığına zemin oluşturur. Bu sebeple kalbin aort bölgesinde anormal durumların tespiti hastalığın teşhisi ve tedavinin seyri için oldukça önemli hale gelmektedir. Kalp hastalıklarının tespiti için genellikle yüksek çözünürlüklü bilgisayarlı tomografi (BT) görüntüleme tercih edilse de, maliyet ve hastaların radyasyona maruz kalması gibi dezavantajlar alternatif yaklaşımları gerekli kılmaktadır. Bu bağlamda, radyasyon risklerini azaltmak ve maliyet etkinliğini korumak için ultrason görüntülemeden yararlanmak çok önemli hale gelmektedir. Tez çalışması kapsamında, BT görüntülemeye gerek kalmadan, kalp ultrasonu ile elde edilen ekokardiyografi görüntüleri üzerinde aort ilgi bölgesinin ve ardından o bölgede bulunan kalsifik alanların otomatik tespiti gerçekleştirilmiştir. Otomatik aort kapağı tespiti için tasarlanmış yeni bir hafif model olan AVD-YOLOv5'i önerilmiştir. Bu model, YOLOv5 mimarisinde çeşitli geliştirmeler içermektedir. Özellikle, derinlemesine ayrılabilir konvolüsyon, hassasiyeti korurken parametre sayısını azaltarak modelin hafif tasarımına önemli ölçüde katkıda bulunmuştur. Ayrıca, özellikle aort kapağı tespiti için 320 ekokardiyografi görüntüsünden oluşan yeni ve büyük bir veri kümesi oluşturulmuştur. Deneysel sonuçlar, modifiye edilmiş ADV-YOLOv5 modelinin doğruluk değerinin %94,3, hassasiyet değerinin ise %86,8 olduğunu göstermektedir. Model ayrıca orijinal YOLOv5 modeline kıyasla çıkarım süresinde %67'lik kayda değer bir azalma göstermektedir. Kesinlikte %0,94'lük marjinal bir azalma olmasına rağmen, modelin verimliliği önemli ölçüde artmıştır. Sonraki aşama olan aort kapak kalsiyum skorunu tahmin etmenin ilk adımı olarak, ekokardiyografi görüntülerinden aort kapak kalsifiye bölgelerinin segmentasyonu için tam evrişimli bir sinir ağı yaklaşımı önerilmektedir. Bu sayede aort kapak kalsiyum skorunun daha objektif, daha hızlı, daha kolay, daha az maliyetli ve radyasyonsuz bir şekilde otomatik olarak hesaplanması amaçlanmaktadır. Önerilen yöntem, 82 farklı hastaya ait 118 parasternal kısa eksenli ekokardiyografi görüntüsünden oluşan yeni veri setinde %86,3 doğruluk, %80,27 hassasiyet, %76,27 dice katsayısı ve %61,9 Jaccard indeksi elde etmiştir. Bu sonuçlar, ekokardiyografi görüntülerinden aort kapak kalsiyum skorlamasının tam otomatik hale getirilmesinin uygulanabilirliğini ve potansiyel etkinliğini göstermektedir. Önerilen sistem kardiyologlar tarafından daha verimli ve güvenilir teşhis için kullanılabilir.

Özet (Çeviri)

The automatic detection of heart diseases is currently of widespread interest as a tool to enhance the accuracy of cardiologists' diagnoses and reduce diagnosis time using echocardiography images. Aortic stenosis is a fundamental condition in heart disease and can lead to various other health issues if it progresses. The formation of calcified areas in the aortic region of the heart is a precursor to aortic stenosis. Therefore, detecting abnormalities in the aortic region of the heart is crucial for diagnosing and treating the disease. Although high-resolution computed tomography (CT) imaging is generally preferred for detecting heart diseases, disadvantages such as cost and patient radiation exposure necessitate alternative approaches. In this context, utilizing ultrasound imaging to reduce radiation risks and maintain cost-effectiveness becomes crucial. In the scope of this thesis, fully automatic detection of the aortic region of interest and the calcified areas within that region on echocardiography images obtained from heart ultrasound was performed without the need for CT imaging. A new lightweight model designed for automatic aortic valve detection, AVD-YOLOv5, is proposed. This model includes various enhancements to the YOLOv5 architecture. Notably, the use of depthwise separable convolution significantly contributes to the lightweight design of the model by reducing the number of parameters while maintaining precision. Additionally, a new and large dataset consisting of 320 echocardiography images specifically for aortic valve detection was created. Experimental results show that the modified ADV-YOLOv5 model achieves an accuracy of 94.3% and a precision of 86.8%. The model also demonstrates a significant reduction of 67% in inference time compared to the original YOLOv5 model. Despite a marginal decrease of 0.94% in precision, the model's efficiency has significantly improved. As the next step for predicting the aortic valve calcium score, a fully convolutional neural network approach is proposed for segmenting the calcified areas in the aortic valve from echocardiography images. This aims to automatically calculate the aortic valve calcium score more objectively, quickly, easily, cost-effectively, and without radiation. The proposed method achieved 86.3% accuracy, 80.27% precision, 76.27% Dice coefficient, and 61.9% Jaccard index on a new dataset consisting of 118 parasternal short-axis echocardiography images from 82 different patients. These results demonstrate the feasibility and potential effectiveness of fully automating the aortic valve calcium scoring from echocardiography images. The proposed system can be used by cardiologists for more efficient and reliable diagnosis.

Benzer Tezler

  1. Tez No

    737771

    Superpixel assisted deep neural network for breast tumor segmentation in ultrasound images

    Süperpiksel destekli derin sinir ağı ile meme ultrason görüntülerinde tümör segmentasyonu

    NEFİSE UYSAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

    ÖĞR. GÖR. MURAT GEZER

  2. Tez No

    761667

    A deep learning model for susceptibility artifact correction in Echo Planar Imaging

    Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli

    ABDALLAH GHAZI FAISAL ZAID ALKILANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR

    DOÇ. TOLGA ÇUKUR

  3. Tez No

    828641

    The influence of instream formations on hydraulic characteristics in natural lowland rivers

    Doğal ova nehirlerinde akım ortamındaki oluşumların hidrolik özellikler üzerindeki etkisi

    NAGHMEH HEIDARI

    Doktora

    İngilizce

    İngilizce

    2023

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ORAL YAĞCI

    DR. ÖĞR. ÜYESİ MURAT AKSEL

  4. Tez No

    452928

    Endometrium kanseri olgularının operasyon öncesi evrelendirilmesinde 3T MRG'nin etkinliği

    To evaluate the diagnostic accuracy of sequences obtained with 3T MRI in preoperative staging of myometrial invasion in endometrial carcinoma

    DEMET DOĞAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    Radyoloji ve Nükleer TıpKocaeli Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    DOÇ. DR. NAGİHAN İNAN

  5. Tez No

    679361

    Diffusion tensor magnetic resonance electrical impedance tomography (DT-MREIT) and its expansion to multi-physics multi-contrast magnetic resonance imaging

    Difüzyon tensörü manyetik rezonans elektriksel empedans tomografisi (DT-MREET) ve çok fizikli çok kontrastlı manyetik rezonans görüntülemesine genişletmesi

    MEHDI SADIGHI

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET MURAT EYÜBOĞLU

Geri Dön