Derin öğrenme yöntemleri ile bi-parametrik mr görüntülerinden prostat kanseri lezyonlarının segmentasyonu
Segmentation of prostate cancer lesions from biparametric mri images using deep learning methods
- Tez No: 932799
- Danışmanlar: PROF. DR. SONGÜL VARLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Yapay zeka, Deep learning, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Prostat kanseri, erkeklerin üreme sisteminde bulunan prostat bezindeki hücrelerin anormal ve kontrolsüz bir şekilde büyümesi sonucu oluşan kötü huylu bir tümördür. Akciğer kanserinden sonra erkekler arasında en sık görülen kanser türü olarak bilinmektedir (Akpınar ve Akpınar, 2024). Prostat kanserinin tanı ve tedavisinde en çok tercih edilen yöntemlerden biri Manyetik Rezonans Görüntüleme (MRG)'dir. MRG, kanserli dokuların tespitinde ve hassas bir şekilde lokalizasyonunda kritik bir rol oynamaktadır. Ancak, prostat kanserinin doğru bir şekilde tanısı zaman alıcı ve yorucu bir süreçtir. Bu çalışmada, patolojik tanıya ihtiyaç duyulmadan, prostat kanseri göstergesi olan lezyonların yapay zeka modelleri kullanılarak MRG üstünden segmentasyonu amaçlanmaktadır. Çalışmada Prostate Imaging: Cancer AI (PI-CAI) veri seti kullanılarak, prostat kanseri lezyonlarının segmentasyonu için U-Net, U-Net++ ve ResU-Net gibi derin öğrenme tabanlı modeller geliştirilmiştir. Önerilen modeller, prostat kanserinin teşhis ve tedavi süreçlerini desteklemek amacıyla, hızlı ve doğru segmentasyon sağlayarak uzmanların iş yükünü hafifletmeyi ve hasta sonuçlarını iyileştirmeyi hedeflemektedir. T2 ağırlıklı bi-parametrik MRG görüntüler üzerinde gerçekleştirilen çalışmada, 5 katlı çapraz doğrulama yöntemi kullanılarak farklı yığın boyutları ve kayıp fonksiyonları ile derin öğrenme modelleri eğitilmiştir. Modellerin performansları ortalama IoU, ortalama DSC, F1 Skoru, Geri Çağırma ve Kesinlik metrikleri ile karşılaştırılmıştır. Ayrıca eğitim kümesindeki lezyon alanlarının piksel cinsinden alanı , tahmin edilen lezyon bölgelerinin alanları bu referans değerin altında kaldığında gürültü olarak değerlendirilip çıkarılmıştır. Bu işlem sonrası modellerin performansları kapsamlı bir şekilde karşılaştırılmıştır.
Özet (Çeviri)
Prostate cancer is a malignant tumor resulting from the abnormal and uncontrolled growth of cells in the prostate gland, a part of the male reproductive system. It is known as the second most common cancer type among men, following lung cancer (Akpınar and Akpınar, 2024). Magnetic Resonance Imaging (MRI) is one of the most commonly used methods for the diagnosis and treatment of prostate cancer. MRI plays a critical role in detecting cancerous tissues and precisely determining their location. However, accurately diagnosing prostate cancer is a time-consuming and labor-intensive process. This study aims to segment prostate cancer indicator lesions from MRI using artificial intelligence models without the need for pathological diagnosis. Deep learning-based models such as U-Net, U-Net++, and ResU-Net have been developed for the segmentation of prostate cancer lesions using the Prostate Imaging: Cancer AI (PI-CAI) dataset. The proposed models aim to support the diagnosis and treatment processes of prostate cancer by providing fast and accurate segmentation, thereby reducing the workload of specialists and improving patient outcomes. In this study, conducted on T2-weighted bi-parametric MRI images, deep learning models were trained using 5-fold cross-validation with varying batch sizes and loss functions. The performance of the models was evaluated and compared using metrics such as mean IoU, mean DSC, F1 score, sensitivity, and precision. Additionally, the lesion areas in the training set were calculated in pixels, and predicted lesion regions with areas below this reference value were considered noise and removed. Following this process, the performance of the models was comprehensively compared.
Benzer Tezler
- Clinically significant prostate cancer detection and diagnosis in bi-parametric mrı
Bi-parametrik mr görüntülerinde klinik olarak önemli prostat kanserinin tespiti ve tanisi
CLINTON BINDA ASOH ITAMBI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
Dr. MECİT YÜZKAT
- Prostat bezi kanserinde ve prostatit hastalarında MR görüntülerinde faster R-CNN yapay zeka modeli ile lezyon tespiti yapılması
Lesion detection in MRI images of prostate cancer and prostatitis patients using faster R-CNN artificial intelligence model
MUHAMMED KAYA
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpRecep Tayyip Erdoğan ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. GÜLEN BURAKGAZİ
- Design and optimization of compact vivaldi antenna with matching medium for microwave brain imaging applications
Mikrodalga beyin görüntüleme uygulamaları için eşleştirme ortamına sahip kompak vıvaldı antenin tasarımı ve optimizasyonu
CAFER UYANIK
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Fully supervised and semi-supervised semantic segmentation of cardiac mr using deep learning
Tam denetımlı ve yarı denetımlı semantık segmentasyon derın öğrenmeyı kullanan kardıyak mr'nın
MAHYAR BOLHASSANI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
ASST. ASSOC. DR. İLKAY ÖKSÜZ
- Türkiye'de aile planlaması çalışmalarında erkeklerin önemi, hastane personeli ile fabrika işçilerinin doğum kontrol yöntemlerine karşı tutum ve davranranışlarında farklılığın araştırılması
Başlık çevirisi yok
KAMİL MALKOÇLU
Yüksek Lisans
Türkçe
1987
Demografiİstanbul ÜniversitesiAile Sağlığı Ana Bilim Dalı
DOÇ. DR. DERİN KÖSEBAY