Üç boyutlu abdominal CT görüntülerinin derin öğrenme yöntemleri ile segmentasyonu
Segmentation of three-dimensional abdominal CT images with deeplearning methods
- Tez No: 941556
- Danışmanlar: DOÇ. DR. UÇMAN ERGÜN, DOÇ. DR. GÜR EMRE GÜRAKSIN
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 153
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
- Derin öğrenme yöntemleri kullanılarak CT görüntüleri üzerinden damar segmentasyonu
Vessel segmentation on CT images using deep learning methods
ÖMER FARUK BOZKIR
Yüksek Lisans
Türkçe
2023
Göğüs Kalp ve Damar CerrahisiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- 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
2023
Makine MühendisliğiZonguldak Bülent Ecevit ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN TOPUZ
- Bilgisayarlı tomografi görüntülerinde kolonik polip tespiti
Detection of colonic polyps in computed tomographic images
GÖKALP TULUM
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiHaberleşme Ana Bilim Dalı
YRD. DOÇ. DR. BÜLENT BOLAT
- Çocuk yaş grubu hastalara, acil serviste farklı teknik ve anatomik bölgelere çekilen BT tetkiklerine ait görüntü kalitesi ile alınan hasta dozunun karşılaştırılması, kabul edilebilir doz aralıklarının belirlenmesi
Comparasion of image quality and patient dose in chıldhood CT that is performed on different anatomıcal regıons wıth dıfferent tecnıcs at emergency service
AHMET ERGİN ÇAPAR
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. HANDAN ÇAKMAKÇI
- Mide kanseri tanılı hastalarda solunum tetikli fdg pet görüntülemenin preoperatif lenf nodu evrelemesine katkısı
The contribution of respiratory gated fdg pet imaging to preoperative lymph node staging in patients with gastric cancer
SEDA GÜLBAHAR ATEŞ
Tıpta Uzmanlık
Türkçe
2020
OnkolojiGazi ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF. DR. LÜTFİYE ÖZLEM ATAY