Geri Dön

Üç boyutlu abdominal CT görüntülerinin derin öğrenme yöntemleri ile segmentasyonu

Segmentation of three-dimensional abdominal CT images with deeplearning methods

PDF İndir

  1. Tez No: 941556
  2. Yazar: SEZİN BARIN
  3. Danışmanlar: DOÇ. DR. UÇMAN ERGÜN, DOÇ. DR. GÜR EMRE GÜRAKSIN
  4. Tez Türü: Doktora
  5. Konular: Mühendislik Bilimleri, Bilim ve Teknoloji, Engineering Sciences, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Afyon Kocatepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tanı koyma, tedavi planlaması ve hasta izlemi gibi klinik süreçlerde, iç anatomik yapıların hızlı ve doğru bir şekilde değerlendirilmesini mümkün kılan medikal görüntüleme teknikleri, modern tıbbın vazgeçilmez bir unsurudur. Üç boyutlu (3B) görüntüleme tekniklerinin gelişmesiyle birlikte, bu görüntülerden anlamlı bilgilerin otomatik olarak çıkarılmasını sağlayan segmentasyon yöntemleri, klinik uygulamalarda giderek daha fazla önem kazanmaktadır. Bu tez çalışmasında, 3B abdominal Bilgisayarlı Tomografi (CT) görüntüleri üzerinde çoklu organların otomatik olarak bölütlenmesi amaçlanmakta olup, derin öğrenme tabanlı modern segmentasyon mimarileri kullanılarak kapsamlı bir analiz gerçekleştirilmiştir. Çalışma kapsamında, 3D U-Net, UNETR ve Swin-UNETR gibi güncel derin öğrenme mimarileri detaylı biçimde karşılaştırılmakta; görüntü ön işleme adımları, veri artırma teknikleri, farklı kayıp fonksiyonları ve eğitim sonrası uygulanan işlemlerin segmentasyon doğruluğuna etkileri değerlendirilmiştir. Çalışmanın odak noktasını, segmentasyon başarımı düşük kalan, küçük ve yapısal olarak karmaşık organlar oluşturmaktadır. Bu doğrultuda, bağlam kaldırma ve veri setine özel olarak uygulanan transfer öğrenme gibi ileri düzey yöntemler kullanılmıştır. Bu tez çalışması, yalnızca farklı model yapılarını karşılaştırmakla kalmayıp, aynı zamanda klinik açıdan anlamlı segmentasyon hatalarının azaltılmasına yönelik bütüncül bir yaklaşım sunmaktadır. Elde edilen bulguların, 3B segmentasyon sistemlerinin klinik uygulamalara entegrasyonu açısından güçlü bir temel oluşturması ve bu alandaki literatüre nitelikli bir katkı sağlaması hedeflenmektedir. Çalışma sonucunda, farklı mimarilerin segmentasyon başarımı organ bazında detaylı şekilde analiz edilmiştir. Özellikle küçük ve düşük kontrastlı organlarda bağlamın korunmasının önemi ortaya konulmuş; transfer öğrenme ile desteklenen stratejilerin bu zorlu yapılarda daha tutarlı sonuçlar verdiği gözlemlenmiştir. Ek olarak, sadece model başarımı açısından değil, uygulama güvenilirliği, eğitim stabilitesi ve genellenebilirlik gibi parametreler de dikkate alınarak yapılan kapsamlı değerlendirmeler, geliştirilen yaklaşımların gerçek klinik sistemlerde kullanım potansiyelini göstermektedir. Bu doğrultuda tez çalışması, sadece akademik katkı sunmakla kalmayıp, tıbbi görüntüleme alanında etkili ve uygulanabilir çözümler geliştirme noktasında da yol gösterici niteliktedir.

Özet (Çeviri)

Medical imaging techniques, which enable the rapid and accurate evaluation of internal anatomical structures in clinical processes such as diagnosis, treatment planning, and patient follow-up, are an indispensable component of modern medicine. With the advancement of three-dimensional (3D) imaging technologies, segmentation methods that automatically extract meaningful information from these images have gained increasing importance in clinical applications. This thesis aims to perform automatic multi-organ segmentation on 3D abdominal Computed Tomography (CT) images using deep learning-based modern segmentation architectures, accompanied by a comprehensive analysis. Within the scope of the study, contemporary deep learning architectures such as 3D U-Net, UNETR, and Swin-UNETR are compared in detail; the effects of image preprocessing steps, data augmentation techniques, different loss functions, and post-training operations on segmentation accuracy are evaluated. The main focus of the study is on small and structurally complex organs that tend to exhibit lower segmentation performance. Accordingly, advanced methods such as context removal and dataset-specific transfer learning have been employed. This thesis not only compares different model architectures but also presents a holistic approach to reducing clinically significant segmentation errors. The findings are intended to provide a strong foundation for the integration of 3D segmentation systems into clinical practice and to make a qualified contribution to the literature in this field. As a result of this study, the segmentation performances of different architectures have been analyzed in detail on an organ-specific basis. The importance of preserving anatomical context has been emphasized, especially for small and low-contrast organs, and it has been observed that strategies supported by transfer learning yield more consistent results in these challenging cases. Additionally, beyond segmentation performance alone, comprehensive evaluations have been conducted by considering parameters such as application reliability, training stability, and generalizability, highlighting the practical potential of the proposed approaches in real clinical systems. In this regard, the thesis not only provides academic value but also serves as a guiding framework for developing effective and applicable solutions in the field of medical imaging.

Benzer Tezler

  1. Tez No

    808977

    Derin öğrenme yöntemleri kullanılarak CT görüntüleri üzerinden damar segmentasyonu

    Vessel segmentation on CT images using deep learning methods

    ÖMER FARUK BOZKIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Göğüs Kalp ve Damar CerrahisiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

  2. Tez No

    856893

    Aort damarında kan akışının hesaplamalı akışkanlar dinamiği (HAD) ve parçacık görüntülemeli akış ölçüm (PIV) yöntemiyle incelenmesi

    The investigation of blood flow in aorta vessel with computational fluid dynamics (CFD) and particle image velocimetry (PIV) methods

    OSMAN AYCAN

    Doktora

    Türkçe

    Türkçe

    2023

    Makine MühendisliğiZonguldak Bülent Ecevit Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ADNAN TOPUZ

  3. Tez No

    359227

    Hepatik vasküler(Hepatik arteryal,venöz ve portal venöz) varyasyonların çok kesitli BT ile değerlendirilmesi

    Evaluation of hepatic vascular (Hepatic arterial and venous, portal venous) variations by means of multislice computed tomographic scanning

    ESİN CIBIROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer TıpMarmara Üniversitesi

    Zootekni Bölümü

    PROF. DR. DAVUT TÜNEY

  4. Tez No

    482918

    Olası kortizol otonomisi ve non-fonksiyone adrenal adenomlu hastalarda subkutan ve santral yağ kompartmanlarının değerlendirilmesi

    Başlık çevirisi yok

    FATİH İNCE

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Endokrinoloji ve Metabolizma HastalıklarıDokuz Eylül Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. BARIŞ AKINCI

  5. Tez No

    818015

    Bilgisayarlı tomografinin hu (hounsfield unit) değeri ile dexa (dual enerji x-ışını absorbsiyometri) skorlamalarının karşılaştırılması ve bilgisayarlı tomografinin dansitometri değerinin osteoporoz tanısına katkısı

    The comparison of hounsfield unit values calculated on computed tomography images and dual energy x-ray absorpsiometry scores for the diagnosis osteoporosi̇s

    MUHAMMED ALPASLAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Radyoloji ve Nükleer TıpVan Yüzüncü Yıl Üniversitesi

    Radyoloji Ana Bilim Dalı

    YRD. DOÇ. DR. AYDIN BORA

Geri Dön