Prostat MR görüntülerinden üretilen segmentasyon maskelerinin güvenilirliğini belirlemek için belirsizlik modellerinin geliştirilmesi
Developing uncertainty methods to determine trustworthiness of segmentation masks generated from prostate MR images
- Tez No: 941655
- Danışmanlar: DOÇ. DR. FATMATÜLZEHRA USLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 74
Özet
Prostat kanseri, dünya genelinde erkeklerde en sık görülen ikinci kanser türü olup, tüm kanser vakalarının yaklaşık %26'sını oluşturmaktadır. Prostat bezi, erkek üreme ve boşaltım sisteminde önemli bir rol oynamakta olup, içerisindeki hücrelerin kontrolsüz şekilde çoğalması sonucu prostat kanseri ortaya çıkmaktadır. Prostat kanseri yavaş ilerleyebildiği gibi, agresif bir yayılım göstererek kemikler ve diğer organlara metastaz yapabilmektedir. Bu nedenle, erken teşhis ve doğru tedavi yöntemleri hastaların yaşam süresi ve kalitesi açısından kritik bir öneme sahiptir. Manyetik Rezonans Görüntüleme (MRI), prostat kanseri teşhisinde yaygın olarak kullanılan ve yüksek çözünürlüklü anatomik detaylar sunan bir görüntüleme yöntemidir. MRI sayesinde prostat bölgesinin detaylı incelenmesi mümkün olmakta, kanserli dokuların sağlıklı dokulardan ayrıştırılması sağlanmaktadır. Ancak, prostat MRI görüntülerinin manuel olarak bölütlenmesi tıp uzmanları için zaman alıcı, yorucu ve hata riski yüksek bir süreçtir. Prostatın yapısal farklılıkları ve doku sınırlarındaki belirsizlikler, görüntülerin otomatik olarak analiz edilmesini zorlaştırmaktadır. Bu nedenle, tıbbi görüntü işleme alanında derin öğrenme tabanlı otomatik bölütleme yöntemlerine olan ilgi artmaktadır. Son yıllarda, derin öğrenme modelleri tıbbi görüntü işleme alanında önemli ilerlemeler kaydetmiş ve prostat MRI görüntülerinin bölütlenmesi için sıklıkla kullanılmaya başlanmıştır. Özellikle U-Net gibi derin sinir ağı mimarileri, prostat görüntülerinin anatomik yapısını doğru bir şekilde belirleyebilme kapasitesine sahiptir. Ancak, mevcut modellerin belirsizlik yönetimi konusundaki eksiklikleri ve farklı veri kümeleri üzerinde gösterdiği değişken performanslar, klinik uygulamalarda güvenilir bir kullanım için önemli bir sınırlamadır. Derin öğrenme modellerinin tahmin ettiği bölütleme maskelerindeki belirsizliklerin doğru bir şekilde ölçülmesi, modellerin güvenilirliğini artırarak klinik karar destek sistemlerinde daha sağlıklı değerlendirmeler yapılmasını sağlayabilir. Bu çalışmada, prostat MRI görüntülerinde bölütleme belirsizliklerini tahmin etmek ve belirsizliklerin dağılım dışı veriler üzerindeki etkilerini incelemek amaçlanmıştır. Monte Carlo Dropout (MCDO), Test Zamanı Veri Artırımı (TTA), Topluluk (Ensemble), Topluluk ve Diklik (Ensemble and Orthogonality), Anlık Topluluk (Snapshot Ensemble) ve Anlık Topluluk ve Diklik (Snapshot Ensemble and Orthogonality) gibi yöntemler kullanılarak model belirsizliklerinin ölçümü gerçekleştirilmiştir. Bu yöntemlerin dayanıklılığı ve genelleme kapasitesi analiz edilerek, özellikle dağılım dışı veriler ile model performansları karşılaştırılmıştır. Literatürde, prostat MRI görüntülerinde belirsizlik tahmini genellikle dağılım içi veriler ile araştırılmış olup, dağılım dışı veriler üzerindeki etkileri yeterince incelenmemiştir. Bu çalışma ile farklı belirsizlik tahmini yöntemlerinin, dağılım dışı veriler üzerindeki başarı performansları analiz edilerek, model güvenilirliği açısından avantaj ve dezavantajları ortaya konulmuştur. Çalışmada elde edilen bulgular, kullanılan yöntemlerin farklı veri kümeleri üzerinde farklı performans sergilediğini göstermektedir. Promise 12 ve UCL veri kümeleri genel olarak yüksek performans gösterirken, HK veri kümesi üzerinde elde edilen sonuçlar daha düşük bir performansa işaret etmektedir. Bu durum, model performansının kullanılan veri setinin özellikleri ve dağılımı ile doğrudan ilişkili olduğunu göstermektedir. Özellikle, Topluluk ve Diklik (T+D) ve Anlık Topluluk ve Diklik (AT+D) yöntemleri, belirsizlik tahmini açısından diğer yöntemlere kıyasla daha başarılı sonuçlar vermiştir. Bu yöntemlerin belirsizlik yönetiminde daha etkili olduğu ve klinik karar destek sistemlerinde daha güvenilir sonuçlar üretebileceği gözlemlenmiştir. Sonuç olarak, prostat MRI görüntülerinde belirsizlik tahmini yöntemlerinin dağılım içi ve dağılım dışı veriler üzerindeki etkileri detaylı bir şekilde incelenmiştir. Çalışmanın bulguları, belirsizlik tahmininin model güvenilirliğini artırarak klinik süreçlere katkı sağlayabileceğini ve prostat kanseri teşhisinde daha doğru sonuçlar elde edilmesine yardımcı olabileceğini ortaya koymaktadır. Özellikle dağılım dışı verilerde belirsizliğin artması, modelin eğitim sürecinde karşılaşmadığı veri yapılarından ve sınırlı veri çeşitliliğinden kaynaklanmaktadır. Bu durum, belirsizlik tahmini yöntemlerinin doğru uygulanması gerektiğini ve klinik karar destek sistemlerinde kullanılmasının model güvenilirliğini artırabileceğini göstermektedir.
Özet (Çeviri)
Prostate cancer is the second most common type of cancer in men worldwide, accounting for about 26% of all cancer cases. The prostate gland plays an important role in the male reproductive an excretory system and prostate cancer occurs as a result of uncontrolled proliferation of cells in it. As prostate cancer can progress slowly, it can metastasize to bones and other organs by showing an aggressive spread.Therefore, early diagnosis and the right treatment methods are critical to the life span and quality of patients. Magnetic Resonance Imaging (MRI) is an imaging modality that is widely used in diagnosing prostate cancer and offers high-resolution anatomical details. MRI allows for a detailed examination of the prostate region and the identification of cancerous and healthy tissues. However, manually dividing prostate MRI images is a time consuming, tiring and high risk of errors for medical professionals. The structural differences of the prostate and uncertainties in tissue boundaries make it difficult to automatically analyze images. Therefore, there is growing interest in deep learning based automated partitioning methods in the field of medical image processing. The field of medical image processing has been significantly advanced by deep learning models in recent years, and they have often been utilized to segment prostate MRI images. Deep neural network architectures, such as U-Net, have the capacity to accurately determine the anatomical structure of prostate images. However, the shortcomings of current models in uncertainty management and their variable performance on different datasets are an important limitation for reliable use in clinical applications. Accurate measurement of uncertainties in the segmentation masks predicted by deep learning models can increase the reliability of models and enable healthier assessments in clinical decision support systems. In this study, it was aimed to estimate the division uncertainties in prostate MRI images and to examine the effects of uncertainties on out of distribution data. Using methods such as Monte Carlo Dropout (MCDO), Test-Time Data Augmentation (TTA), Ensemble, Ensemble and Orthogonality, Snapshot Ensemble and Snapshot Ensemble and Orthogonality. The durability and generalization capacity of these methods were analyzed and model performances were compared, especially with the out-of distribution data. Prediction of uncertainty in prostate MRI images has frequently been investigated in distribution data in the literature, but its effects on out-of-distribution data have not been thoroughly examined. With this study, success performances of different uncertainty prediction methods on out of distribution data were analyzed and their advantages and disadvantages were revealed in terms of model reliability. According to the study, the methods used perform differently on different datasets. While the Promise 12 and UCL datasets are generally high-performing, the results obtained on the HK dataset indicate a lower performance. This suggests that model performance is directly related to the characteristics and distribution of the data set used. In particular, Ensemble and Orthogonality and Snapshot Ensemble and Orthogonality methods have yielded more successful results in terms of uncertainty prediction compared to other methods. It has been observed that these methods are more effective in managing uncertainty and can produce more reliable results in clinical decision support systems. As a result, the effects of uncertainty prediction methods on in-distribution and out-of distribution data were examined in detail in prostate MRI images. The findings of the study suggest that uncertainty prediction could contribute to clinical processes by increasing model reliability and could help achieve more accurate results in diagnosing prostate cancer. The increase in uncertainty, especially in out-of-distribution data, is due to the data structures and limited data diversity that the model does not encounter during the training process. This suggests that uncertainty forecasting methods should be implemented correctly and that using them in clinical decision support systems can improve model reliability.
Benzer Tezler
- Prostat volüm değerlerinin manyetik rezonans ve ultrason ile karşılaştırılması ve korelasyonu
Comparison and correlation of prostate volume values with magnetic resonance and ultrasound
ONUR YILMAZ
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. ŞÜKRÜ MEHMET ERTÜRK
- Prostat kanseri tanısında manyetik rezonans inceleme ve prostat görüntüleme, raporlama ve data sisteminin (PIRADS) etkinliği
Magneti̇c resonace imaging in prostate cancer diagnosis and efficacy of prostate imaging-reporting and data system (PIRADS)
ŞEREF BARBAROS ARIK
Tıpta Uzmanlık
Türkçe
2018
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MUSTAFA TAŞAR
- İnce ayar ile etkinliği artırılmış Cnn ve transfer öğrenme yöntemleriyle prostat kanserinin tespiti
Diagnosis of prostate cancer with enhanced efficiency using fine-tuned Cnn and transfer learning
MURAT SARIATEŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL ÖZBAY
- 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
UFUK UÇAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
- Automated estimation of the prostate volume from abdominal ultrasound images
Abdomınal ultrason görüntülerinden prostat büyüklüğünün otomatik ölçümü
NUR BANU ALBAYRAK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF SİNAN AKGÜL