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
- Tez No: 876733
- Danışmanlar: PROF. DR. MURAT EKİNCİ
- 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: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- 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
2022
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
ÖĞR. GÖR. MURAT GEZER
- 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
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR
DOÇ. TOLGA ÇUKUR
- Derin öğrenme ile görüntülerde gürültü giderme
Image denoising with deep learning
SERCAN SATICI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Deep convolutional neural network based unconstrained ear recognition
Derin evrişimsel sinir ağı tabanlı kısıtsız kulak tanıma
FEVZİYE İREM EYİOKUR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK