Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
- Tez No: 912668
- Danışmanlar: PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Non-contrast CT images, deep learning, liver diseases, AE diagnosis, CNN, RCNN, Faster RCNN, YOLO, segmentation, classification
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 145
Özet
Amaç: Bu tez çalışmasının amacı, karaciğer hastalıkları olan alveolar ekinokokkoz (AE) ve karaciğer tümörlerinin kontrastsız Bilgisayarlı Tomografi (BT) görüntüleri kullanılarak hızlı ve otomatik olarak sınıflandırılmasını sağlayacak bir derin öğrenme tabanlı sistem geliştirmektir. AE'nin, klinik olarak karaciğer tümörleriyle benzer belirtiler göstermesi ve teşhisinin zor olması nedeniyle, geliştirilen sistemin erken tanıda etkili olması hedeflenmiştir. Konvansiyonel görüntüleme yöntemlerinin aksine, bu çalışmada kontrast maddeye ihtiyaç duyulmaksızın tanı imkânı sunulması amaçlanmıştır. Yöntem: Tezde, üç aşamalı yaklaşım çerçevesinde sınıflandırma ve bölütleme işlemleri gerçekleştirilmiştir. İlk önerilen yaklaşımda, CNN tabanlı bir sınıflandırma modeli ve RCNN tabanlı bir bölge tespit algoritması birleştirilerek otomatik sınıflandırma yapılmıştır. İkinci önerilen yaklaşımda, Faster RCNN ile karaciğer tespiti yapılarak SegClassNet modeli ile early fusion ve late fusion teknikleri kullanılarak bölütlenmiş hastalıklı bölgelerin sınıflandırılması yapılmıştır. Üçüncü önerilen yaklaşımda ise, AE bölütlemeu için YOLO tabanlı Sim-Seg, Seg-Seg ve Det-Seg yöntemi kullanılarak AE ve karaciğer bölütlenmiştir. Bu üç yöntemin doğruluğu ve performansı gerçek klinik verilerle test edilmiştir. Bulgular: Önerilen yaklaşımlar, kontrastsız BT görüntüleri üzerinde yüksek doğruluk, duyarlılık, kesinlik ve F1-score değerleri ile çalışarak başarılı sonuçlar elde edilmiştir. İlk önerilen yaklaşımda bulunan otomatik sınıflandırma yöntemi, hastalık tespitinde hızlı ve etkili bir çözüm sunarken; ikinci önerilen yaklaşımda SegClassNet modeli, yüksek performanslı bölütleme sağlamıştır. Üçüncü önerilen yaklaşımdaki Det-Seg yöntemi ise, AE tespitinde hız ve doğruluk açısından etkili bir sonuç ortaya koymuştur. Tüm yöntemler, özellikle klinik uygulamalarda zaman ve maliyet tasarrufu sağlayarak potansiyel kullanım alanlarına katkı sağlamıştır. Sonuç: Bu tezde geliştirilen derin öğrenme tabanlı sınıflandırma ve bölütleme yöntemleri, karaciğer hastalıklarının erken teşhisi için otomatik, hızlı ve güvenilir bir çözüm sunmaktadır. Önerilen üç yaklaşımın başarısı, kontrastsız BT görüntüleriyle karaciğer hastalıklarının teşhisinde önemli ilerleme sağlamış, hasta sonuçlarını iyileştirme ve teşhis sürecini hızlandırma açısından klinik uygulamalara katkıda bulunulmuştur. AnahtarKelimeler: Kontrastsız BT görüntüleri, derin öğrenme, karaciğer hastalıkları, AE teşhisi, CNN, RCNN, Faster RCNN, YOLO, bölütleme, sınıflandırma
Özet (Çeviri)
Purpose: The purpose of this thesis is to develop a deep learning-based system for the rapid and automatic classification of liver diseases, specifically alveolar echinococcosis (AE) and liver tumors, using non-contrast Computed Tomography (CT) images. Due to the clinical similarity of AE with liver tumors and the challenges in diagnosing it, the system aims to facilitate early detection. Unlike conventional imaging methods, this study seeks to enable diagnosis without the need for contrast agents. Method: In the thesis, classification and segmentation processes were performed within the framework of a three-stage approach. In the first proposed approach, automatic classification was performed by combining a CNN-based classification model and an RCNN-based region detection algorithm. In the second proposed approach, liver detection was performed with FasterRCNN and the segmented diseased regions were classified using early fusion and late fusion techniques with the SegClassNet model. In the third proposed approach, AE and liver were segmented using the YOLO-based Sim-Seg, Seg-Seg and Det-Seg methods for AE segmentation. The accuracy and performance of these three methods were tested with real clinical data. Findings: The proposed approaches have achieved successful results by working with high accuracy, sensitivity, precision and F1-score values on non-contrast CT images. While the automatic classification method in the first proposed approach provides a fast and effective solution in disease detection; the SegClassNet model in the second proposed approach provided high-performance segmentation. The Det-Seg method in the third proposed approach has shown an effective result in terms of speed and accuracy in AE detection. All methods have contributed to potential areas of use by saving time and cost, especially in clinical applications. Results: The deep learning-based classification and segmentation methods developed in this thesis offer an automatic, fast, and reliable solution for the early diagnosis of liver diseases. The success of the three-stage method represents significant progress in diagnosing liver diseases using non-contrast CT images, contributing to improved patient outcomes and expedited diagnostic processes in clinical applications.
Benzer Tezler
- Serebrovasküler enfarkt hastalarında çekilen beyin bilgisayarlı tomografi'de ölçülen optik sinir kılıf çapı ile mortalite ilişkisi
The relationship between optic nerve sheath diameter measured on computerized tomography and mortality in patients with cerebrovascular infarction
MEHMET AKİF ÖNAL
Tıpta Uzmanlık
Türkçe
2014
İlk ve Acil YardımNecmettin Erbakan ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. SEDAT KOÇAK
- İskemik inme hastalarının erken radyolojik işaret ve bulgu saptanmayan kontrastsız kranial bilgisayarlı tomografi görüntülerinin karşı taraf normal beyin parankimi ile 'Radiomics' parametreleri üzerinden karşılaştırılması
Comparison of non-contrasted cranial computerized tomographic images with no early radiological signs and findings of ischemic stroke patients and the counterpart normal brain parenchyma over 'Radiomics' parameters
TÖREHAN ÖZER
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpKocaeli ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. YONCA ANIK
- Kedilerde baş ve boyun bölgesinin Bilgisayarlı Tomografik muayenesi
Computed Tomographic examination of the head and neck in cats
DUYGU FİDAN
Doktora
Türkçe
2024
Veteriner HekimliğiAydın Adnan Menderes ÜniversitesiCerrahi (Veterinerlik) Ana Bilim Dalı
PROF. DR. MURAT SARIERLER
- 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
- Bilgisayar tomografi destekli vücut yağ kütlesi ölçümü ve menisküs yırtıklarıyla korelasyonu
CT-based body adipose tissue quantification and correlation with meniscal tears
HASAN ABBASGULIYEV
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpAtatürk ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. FATİH ALPER