Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
- Tez No: 887675
- Danışmanlar: PROF. DR. MUSTAFA DOĞAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 123
Özet
Beyin tümörlerinin neden olduğu kanserler en ölümcül hastalıklar arasındadır. Beyin tümörlerinin hızlı ve doğru tanısı, cerrahi müdahale veya uygun tedavi sonrasında hayatta kalma şansını arttırabilir. MR taramasında beyin tümörlerinin kesit alanının doğru tanımlanması, cerrahi müdahale sırasında, kemoterapi ve radyoterapi tedavilerinde verimlilik açısından oldukça önemlidir. Beyin tümörlerinin MR taramalarında doğru şekilde bölütlenmesi, çok çeşitli morfolojik özellikler gösterebildiği için oldukça zordur. Bu nedenle içerilen bilginin karakteristiklerinin ve görüntünün doğru yorumlanması gerekir. Aslında bu bölütleme ne kadar doğru yapılırsa, hastanın radyasyon tedavisinin zararlı yan etkilerine maruz kalması o kadar azalır. Son yıllarda bilgisayar biliminin yaygınlaşması ve yeni teknolojilerin ortaya çıkmasıyla birlikte bu alanda pek çok araştırma yapılmıştır. Bu çalışmaların ana odağı tümörün yerini, kesit alanını belirlemek, sınıflandırmak ve son olarak görüntüleri bölümlemektir. Temel olarak görüntü bölütleme analizi piksel bazında yapılır. Bu tez, makine öğrenmesine karşın geleneksel yöntemlerin tanıtılması ve analizi ile başlamakta, kenar algılama algoritmalarından ikisi olan Sobel ve Canny kullanılarak örnek görüntüler üzerinde kenar tespiti gerçekleştirilmektedir. Elde edilen sonuçlar genel uygulamalar için kabul edilebilir olsa da yüksek doğruluk gerektiren beyin MR görüntüleri için kabul edilemez. Morfolojik operatörler kullanılarak ve çıkan sonuçları değerlendirerek görüntüleri bölümlendirmek için morfoloji tabanlı tekniklerin birleşimini tasarladık. Görüntü bölütlemede morfolojik işlemler daha kabul edilebilir sonuçlara sahiptir ve bir sonraki adımda görüntüleri bölütleme için Watershed adı verilen başka bir morfolojik yöntemi denedik. Son olarak kümeleme yöntemlerinin bir örneği olan görüntüleri bölütleme için K-means algoritması uygulanarak karşılaştırma yapılmıştır. Sayısız ilerlemeye ve çok sayıda yapılan çalışmaya rağmen, bu yöntemler henüz tümör tanısı ve segmentasyonu gibi karmaşık problemleri çözmede yeterli sonuçlar ele edememişlerdir. Bu nedenle yıllar geçtikçe ve bilgisayar bilimindeki hızlı gelişmelerle birlikte, bizim de odaklandığımız birçok yeni yöntem geliştirilmiştir. Görüntü işlemede dalgacık dönüşümünü inceledik ve Contourlet yöntemiyle karşılaştırdık. Wavelet kenar tespiti için güçlü bir araçtır; ancak Contourlet dönüşümü sadece iki yönde değil, her yönde özellik çıkarımı yaparak tümörün özgün şekline daha iyi yakınsamaktadır. Bu dönüşümler oldukça kullanışlıdır ve görüntünün kenarlarını istenilen yönlerde tanımlayıp birleştirebiliriz. Son olarak, Contourlet dönüşümünü derin öğrenme maskelerini işlemek, etiketlemek ve sınıfları oluşturmak için de kullanabiliriz. Bu maskeler kontrollü bir derin ağa giriş olarak kullanılabilir. Dönüşümlerin fotoğrafları birleştirme ve fotoğrafların boyutunu küçültme konusunda da kısaca inceleyeceğimiz başka uygulamalar da kullanılmıştır. Derin öğrenme yöntemlerini, geleneksel yöntemlerle karşılaştırarak farklılıklarını anlatıp, görüntülerin sınıflandırılması ve bölünmesindeki uygulama detaylarını saptayacağız. Ardından geliştirilmeye açık katmanların iç yapısını ve bilgilerini genel olarak anlatacağız. Derin sinir ağı farklı katmanlar oluşmaktadır, her katmanın kendi rolü ve görevi vardır. Geleneksel yöntemlerden farklı olarak derin öğrenme yöntemlerinde görüntüden istenen özelliklerin çıkarılmasına gerek yoktur ve aslında gerekli özellikler bu ağların kendileri tarafından otomatik çıkartılır. Derin sinir ağlarının tüm avantajlarına rağmen kendi sorunları da vardır. Derin sinir ağlarının karşılaştığı engelleri belirterek, RESNET kullanan derin sinir ağlarının parametrelerini iyileştirdik. Bu yöntem sayesinde birçok katman içeren derin sinir ağları oluşturabiliyoruz. Derin sinir ağlarını ve ResNet 50 modelini kullanarak beyin görüntülerini tümörlü ve tümörsüz olarak iki kategoriye ayırıyoruz. Performansı ölçmek için kullanılan metriklerden biri olan F1 kriterinde 97% gibi tatmin edici bir sonuç elde edilmiştir. Bir sonraki bölümde görüntülerin bölütlenmesini işleyeceğiz. Görüntü bölütleme, sınıflandırmaya benzer şekilde denetimli eğitim yöntemini kullanır. Bu görev için çeşitli yöntemler ve RESNET gibi çeşitli ağ yapıları önerilmiştir. Tezimizde görüntü bölütlemede iyi sonuçlar veren Unet denenmiştir. Fakat performans ölçütlerinde yeteri kadar iyileşme sağlamadığı gözlemlenmiştir. Bu nedenle, MR beyin görüntülerini segmentlere ayırmak için RESUNET ağını uyguladık. Segmentasyon sonuçları, önerilen yaklaşımın eğitim sırasında iyi performans gösterdiğini ve bölütleme performansını gösteren DICE metriği gibi çeşitli metriklerle geleneksel topolojilere kıyasla 94% gibi yüksek bir skorla başarılmıştır. Son bölümde denetimsiz öğrenme sistemini, GAN ağ yapısını tanıtıyoruz ve akıllı ve denetimsiz bir ağ olarak Çekişmeli üretici ağını (GAN) kullanarak resimleri işledik. Bu ağı beyin MR görüntülerinin sayısını arttırmak için geliştirdik. Aslında bu ağ, jeneratör ve ayırıcı ağ olmak üzere iki derin sinir ağından oluşur. Bu iki ağ birbiriyle rekabet halindedir; jeneratör ağının görevi, orijinal verilere benzer veriler üretmektir. Ayırıcı ağın görevi ise bu sahte verilerle rekabet ederek doğru olanı bulmaktır. Çekişmeli üretici ağı, istenilen verinin çoğaltılabilmesi için akıllı bir ağ yapısı olup; örnek imge bulmakta zorlandığımız tıbbi görüntüleme uygulamalarında, istenilen veri kümesinin genişletilmesi için başarılı bir yöntem olarak kullanılmıştır. Üretici ağın oluşturduğu sahte verilerin orijinal verilerle benzerliği, bu ağın yeni veri üretmedeki başarısının ölçütüdür.
Özet (Çeviri)
Brain tumors are one of the deadliest types of cancer ever identified. Rapid and accurate diagnosis of brain tumors, followed by surgical intervention or appropriate treatment, increases the probability of survival. Accurate identification of brain tumors in MRI scans allows precise location of surgical intervention or chemotherapy. Accurate segmentation of brain tumors in MRI scans is challenging due to their varied shapes and requires knowledge and accurate image interpretation. This thesis starts with analyzing machine learning and traditional methods and focuses on the study of edge detection using the Sobel and Canny edge detector algorithm. After that, we use morphology-based techniques to segment the images and evaluate the results. We use K-means techniques for Clustering. Despite various advances, these methods still show limitations in complex situations such as tumor detection and segmentation. In the next step, we analyze the process of dividing photos into parts using transformations. Specifically, we discuss the Wavelet and Contourlet transforms. By using these transformations, we get more detailed information about the analysis of the images. These transformations have many applications, and we can identify the borders of the image and combine them. Finally, we can use this transformation to process and generate deep learning masks using a supervised model. In the following, we analyze new techniques using supervised and deep learning approaches in two specific areas: image classification and image segmentation. As we introduce these methods, we introduce the obstacles facing deep learning and discuss potential strategies to solve and enhance them. Using deep neural networks and the Resnet 50 model, we classify brain images into tumor and non-tumor categories and achieve a satisfactory score of 97% in the F1 criterion. In addition, we introduce and analyze the Unet deep network in deep learning and upgrade it to a RESUNET network for segmentation. The results of this segmentation show that the proposed approach, with different criteria, such as the DICE metric with a score of 0.9434, performs exceptionally during training compared to conventional topologies and shows a faster convergence rate. In the last part, we presented the unsupervised learning system and developed the adversarial generative network to generate brain MRI images. The adversarial generative network is an intelligent network for generating the desired data, and the results show the effectiveness of the adversarial generative network in generating new data. It is of exceptional quality.
Benzer Tezler
- Akut lenfoblastik lösemili (ALL) 5 yaşından küçük çocuk hastalarda kranial ışınlamalarda hedef hacmin (beyin dokusunun) aldığı dozun farklı tedavi planlama teknikleriyle karşılaştırılması
Comparison of the target volume dose in cranial irradiation with different treatment planning techniques in children under 5 years of age with acute lymphoblastic leukemia
CEREN GENÇALİOĞLU
Yüksek Lisans
Türkçe
2019
Fizik ve Fizik MühendisliğiEge ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
PROF. DR. EMİNE SERRA KAMER
- Beyin tümörü tedavilerinde kullanılmak üzere nanokompozit ilaç taşıyıcı sistemlerin tasarımı ve in vitro simülasyonları
Design and in vitro simulations of nanocomposite drug delivery systems for use in brain tumor treatments
TARIK ENİS TOKGÖZ
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiFatih Sultan Mehmet Vakıf ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH ÇİFTÇİ
- Beyin kanseri ve nörodejeneratif hastalıklar üzerinde etkili olabilecek yeni ajanlar: 131I-Baicalein ve 131I,-Baicalein-PLGA
Brain cancer and neurodegenerative diseases targeted novel agents: 131I-Baicalein and 131I,-Baicalein-PLGA
CANSU KAYAŞ
Yüksek Lisans
Türkçe
2020
BiyokimyaEge ÜniversitesiNükleer Bilimler Ana Bilim Dalı
DOÇ. DR. AYFER YURT KILÇAR
- Çocukluk çağı beyin tümörlerinin dağılım ve tedavilerinin sonuçlarının yıllar içerisinde etkilerinin karşılaştırılması (1995-2015)
Childhood brain tumors distribution and the effects of tretment results through the years (1995-2015)
CHIAR HASAN
Tıpta Uzmanlık
Türkçe
2016
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. HİLMİ APAK
- Beyin metastazı bulunan jinekolojik orijinli malignitelerde prognostik faktörlerin araştırılması ve tedavi modalitelerinin değerlendirilmesi
Investigation of prognostic factors and evaluation of treatment modalities in gynecological origin malignancies with brain metastasis
TAHİR ERYILMAZ
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumBaşkent ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. ALİ AYHAN