U-net ve sam entegrasyonu ile meme mr görüntülerinde tümör segmentasyonu ve morfolojik işlemlerle takibi
Breast mri tumor segmentation using U-net and sam integration with morphological tracking methods
- Tez No: 945198
- Danışmanlar: PROF. DR. İBRAHİM AKDUMAN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, İletişim Bilimleri, Engineering Sciences, Communication Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
- Sayfa Sayısı: 83
Özet
Kanser, anormal hücre bölünmeleri sonucu gelişen ve çevre dokulara yayılabilen bir hastalık türü olarak, dünya genelinde en yaygın ölüm nedenlerinden biridir. Dünya Sağlık Örgütü'nün (DSO) 2019 yılı tahminlerine göre kanser, 183 ülkenin 112'sinde 70 yaş altı bireylerde ölüm nedenleri arasında birinci veya ikinci sırada, kalan 23 ülkede ise üçüncü ya da dördüncü sırada yer almaktadır. Bu bulgu, kanserin küresel düzeyde yalnızca yaygın değil, aynı zamanda genç nüfus üzerinde de ölümcül bir tehdit olduğunu göstermekte ve kanserle mücadelede kapsamlı stratejilerin geliştirilmesini zorunlu kılmaktadır. Özellikle kadınlarda sık teşhis edilen kanser türlerinden biri olan meme kanseri, 2,26 milyon yeni vaka ile birinci sırada yer almış ve yaklaşık 685 000 kadının yaşamını yitirmesine sebep olmuştur. Meme kanserinin yayılmasını kontrol altına almak ve mortaliteyi azaltmak için erken teşhis ve zamanında tedavi, etkili bir strateji olarak öne çıkmaktadır. DSO'nun Küresel Meme Kanseri Girişimi, erken teşhis ve kapsamlı yönetim yoluyla meme kanserine bağlı mortaliteyi her yıl %2.5 oranında azaltmayı hedeflemektedir. Bu doğrultuda gelişmiş görüntüleme teknolojilerinin kullanımının kanserle mücadeledeki kritik rolü bir kez daha ortaya çıkmaktadır. Modern tıpta kullanılan görüntüleme teknikleri hem tanı koyma sürecinde hem de tedaviye yön verme aşamasında önemli veriler sunmaktadır. En yaygın kullanılan yöntemler arasında radyografi (X-ray), ultrasonografi (USG), bilgisayarlı tomografi (CT), manyetik rezonans görüntüleme (MRI), mikrodalga görüntüleme (MWI) ve pozitron emisyon tomografisi (PET) yer almaktadır. Her bir teknik, dokuların farklı özelliklerini yansıtarak belirli klinik sorulara cevap verebilme kapasitesine sahiptir. Örneğin, mammografi özellikle meme dokusundaki kalsifikasyonları saptamada etkili bir tarama yöntemiyken, ultrasonografi yoğun meme dokusunda kitle ayrımını destekleyen non-invaziv bir yöntem olarak kullanılmaktadır. BT ve PET ise özellikle metastatik yayılımın saptanmasında tercih edilirken, MR görüntüleme, üstün yumuşak doku çözünürlüğü sayesinde hem primer lezyonun detaylı karakterizasyonu hem de tedavi yanıtının izlenmesi açısından vazgeçilmez bir tanı aracı olarak öne çıkmaktadır. Özellikle meme kanseri vakalarında kontrastlı MR görüntüleme (DCE-MRI), tümörün vaskülaritesi ve morfolojik yapısı hakkında detaylı bilgiler sağlamaktadır. Ancak bu görüntülerin yorumlanması, yüksek çözünürlüklü çok dilimli yapıları nedeniyle zaman alıcı ve radyolojiste bağlı değişkenlik gösterebilen bir süreçtir. Bu noktada derin öğrenmeye dayalı segmentasyon yaklaşımları, tümör bölgelerinin otomatik, hızlı ve tutarlı bir şekilde belirlenmesini sağlayarak klinik karar destek sistemlerinde rol üstlenmeye başlamıştır. Özellikle kovolüsyonel sinir ağları (CNN) ve U-Net benzeri encoder-decoder mimarileri, sınırlı veriyle bile etkili özellik çıkarımı yapabilmeleri sayesinde MR tabanlı segmentasyon problemlerinde yaygın olarak kullanılmaktadır. Bu tez çalışmasının temel amacı, T1 Ağırlıklı meme MR görüntülerinde yer alan tümör dokularının yüksek doğrulukla segmentasyonunu sağlayacak, kullanıcı etkileşimine açık ve takip mekanizması içeren, derin öğrenme temelli bir sistem geliştirmektir. Segmentasyon sürecinde radyologların üzerindeki manuel iş yükünü azaltmak, aynı zamanda hassas ve tekrarlanabilir sonuçlar sunmak, bu çalışmanın öncelikli hedeflerindendir. Bu doğrultuda, literatürde yaygın olarak kullanılan ve tıbbi görüntü segmentasyonu alanında başarısını kanıtlamış olan U-Net mimarisi temel alınarak ilk segmentasyon aşaması gerçekleştirilmiştir. U-Net modeli, açık kaynaklı meme MR görüntülerinden oluşan farklı veri setleri üzerinde eğitilmiş ve yalnızca tümör pozitif örneklerle beslenerek, modelin doğrudan tümör bölgesine odaklanması sağlanmıştır. Tüm görüntüler 256x256 boyutuna normalize edilerek modele giriş olarak verilmiş, karşılık gelen referans maskeler de 0 ve 1 değerlerinden oluşan ikili formatta sunulmuştur. Eğitilen U-Net modeli, yeni bir görüntü geldiğinde kullanıcı tarafından tanımlanan sınırlayıcı kutu içerisinde tümör bölgesini otomatik olarak segmente etmekte ve bu segmentasyon sonuçları kullanıcıya görsel olarak sunulmaktadır. Segmentasyonun ikinci aşaması, Segment Anything Model (SAM) ile kullanıcı etkileşimi üzerinden gerçekleştirilmiştir. U-Net modelinin çıktısı yeterince tatmin edici bulunmadığında, kullanıcıdan pozitif (tümör içi) ve negatif (tümör dışı) olacak şekilde noktasal geri bildirimler alınmakta, bu noktalar SAM modeline yönlendirilerek girdi verisi olarak kullanılmaktadır. SAM modeli, bu noktaları ve U-Net maskesini dikkate alarak ilgili bölgede daha rafine bir segmentasyon gerçekleştirmekte ve kullanıcıya yeniden sunmaktadır. Bu işlem, özellikle U-Net modelinin kaçırdığı sınır bölgelerinde veya morfolojik olarak kompleks yapılar içeren tümörlerde büyük bir avantaj sağlamaktadır. Segmentasyon sürecinin üçüncü ve kritik aşaması ise, referans dilimde elde edilen doğru segmentasyon maskesinin diğer dilimlere taşınmasıdır. Bu adımda, dilimler arası tutarlı bir tümör takibi gerçekleştirmek için doğrudan görüntü içeriklerine dayalı, yapısal özellik odaklı bir izleme mekanizması kullanılmıştır. Referans dilimde kullanıcı ya da model destekli olarak elde edilen segmentasyon maskesi, ardışık dilimlerde başlangıç maskesi olarak işlev görmekte ve bu maske, her yeni dilimde yerel görüntü özelliklerine göre güncellenmektedir. Bu süreçte temel olarak Morphological Active Contours without Edges (MorphACWE) algoritması kullanılmıştır. MorphACWE, kenar bilgisine bağımlı olmayan bir yöntem olarak, bölge tabanlı enerji fonksiyonu ile çalışan ve iç/dış yoğunluk farklarını kullanarak segmentasyon bölgesini evrimleştiren bir yaklaşımdır. Başlangıç segmentasyon maskesi, her yeni dilimde bu algoritma ile iteratif olarak güncellenmekte; böylece tümörün formu, konumu ve yoğunluk yapısındaki değişimlere adaptif şekilde uyum sağlamaktadır. Bu özellikler kullanılarak, her dilim için bir takip maskesi oluşturulmakta ve bu maske, doğrudan görüntü içeriğine duyarlı olacak şekilde segmentasyon sürecini yönlendirmektedir. Elde edilen nihai segmentasyon maskesi, her dilim için kullanıcıya görsel olarak sunulmakta; ayrıca Dice benzerlik skoru hesaplanarak modelin performansı nicel olarak değerlendirilmektedir. Bu yapı sayesinde, kullanıcıdan alınan tek bir referans segmentasyon, ardışık tüm dilimlere tutarlı, içerik duyarlı ve yapısal olarak sağlam bir şekilde aktarılarak iki boyutlu tümör bölgesinin güvenilir bir şekilde ortaya çıkarılması sağlanmaktadır. Sonuç olarak, geliştirilen bu bütünleşik sistem, otomatik segmentasyonu kullanıcı etkileşimi ve takip algoritmalarıyla birleştirerek, yalnızca bir dilimde yapılan doğru segmentasyonun diğer dilimlere taşınmasını sağlamakta ve tümör bölgesinin iki boyutlu olarak hassas biçimde çıkarılmasını mümkün kılmaktadır. Tez kapsamında yapılan gerçeklemeler bu sürecin hem araştırma hem de klinik uygulamalarda kullanılabilecek esnek ve etkili bir çözüm olabileceğini göstermektedir.
Özet (Çeviri)
Cancer, characterized by abnormal cell division and the potential to invade surrounding tissues, is one of the leading causes of death worldwide. According to estimates from the World Health Organization (WHO) in 2019, cancer ranked as the first or second leading cause of death in individuals under the age of 70 in 112 out of 183 countries, and third or fourth in the remaining 23 countries. This finding highlights not only the global prevalence of cancer but also its deadly threat to the younger population, necessitating the development of comprehensive strategies in the fight against cancer. Among the most frequently diagnosed cancers in women, breast cancer ranked first with 2.26 million new cases and caused the deaths of approximately 685,000 women. To control the spread of breast cancer and reduce mortality rates, early diagnosis and timely treatment have emerged as effective strategies. The WHO's Global Breast Cancer Initiative aims to reduce breast cancer-related mortality by 2.5% annually through early diagnosis and comprehensive management. In this context, the role of advanced imaging technologies has once again proven critical in the global effort against cancer. In breast cancer cases, contrast-enhanced MR imaging (DCE-MRI) provides detailed insights into tumor vascularity and morphological structure. However, interpreting these high-resolution multi-slice images is time-consuming and subject to interobserver variability. At this point, segmentation approaches based on deep learning have begun to play a role in clinical decision support systems by enabling automatic, rapid, and consistent identification of tumor regions. In particular, convolutional neural networks (CNNs) and encoder-decoder architectures like U-Net are widely used in MR-based segmentation tasks due to their ability to extract effective features even with limited data. Medical imaging techniques used in modern medicine provide crucial data both for diagnosis and treatment planning. Among the most widely used methods are radiography (X-ray), ultrasonography (USG), computed tomography (CT), magnetic resonance imaging (MRI), microwave imaging (MWI), and positron emission tomography (PET). Each technique has the capacity to address specific clinical questions by reflecting different tissue characteristics. For instance, mammography is effective for detecting microcalcifications in breast tissue, while ultrasonography serves as a non-invasive method that aids in distinguishing masses within dense breast tissue. CT and PET are commonly used to detect metastatic spread, whereas MRI stands out as an essential diagnostic tool due to its superior soft tissue contrast, enabling both detailed characterization of primary lesions and monitoring of treatment response. The main objective of this thesis is to develop a deep learning-based system capable of accurately segmenting tumor regions in T1-weighted breast MR images, with interactive user input and a tracking mechanism. The primary goals are to reduce the manual workload on radiologists during the segmentation process and to provide precise and repeatable results. In line with this objective, the widely used and proven U-Net architecture was utilized for the initial segmentation phase. The U-Net model was trained on various publicly available breast MR datasets, using only tumorpositive examples to ensure that the model focused directly on the tumor regions. All images were normalized to a size of 256×256 before being fed into the model, and corresponding reference masks were provided in binary format consisting of 0s and 1s. Once trained, the trained U-Net model automatically segments the tumor region within the bounding box defined by the user and the results of this segmentation are presented to the user visually. The second phase of segmentation was performed interactively using the Segment Anything Model (SAM). If the output of the U-Net model was deemed unsatisfactory, the user provided point-based feedback in the form of positive (inside tumor) and negative (outside tumor) clicks. These points were then fed into the SAM model along with the U-Net mask as prior information. SAM utilized this combined input to produce a refined segmentation result, which was again presented to the user. This approach proved especially beneficial in cases where U-Net failed to capture tumor boundaries or when dealing with morphologically complex tumors. The third and critical phase of the segmentation process involves propagating the accurate segmentation mask obtained on a reference slice to other slices. For this purpose, a tracking mechanism based directly on image content and structural features was used to ensure consistent tumor tracking across slices. The segmentation mask generated by the user or model in the reference slice served as the initial mask for subsequent slices. This mask was iteratively updated in each new slice according to local image features using the Morphological Active Contours without Edges (MorphACWE) algorithm. MorphACWE is a region-based approach that operates without relying on edge information, evolving the segmentation contour based on an energy function driven by intensity differences inside and outside the target region. In each slice, the initial mask was updated iteratively by the algorithm, adapting to changes in the tumor's shape, position, and intensity profile. This process generated a tracking mask for each slice, guiding the segmentation based on the image content. The final segmentation mask for each slice was visually presented to the user, and the Dice similarity coefficient was computed to quantitatively evaluate the model's performance. Through this structure, a single reference segmentation informed by user interaction could be consistently and structurally propagated across consecutive slices, allowing for the reliable delineation of the tumor region in two dimensions. In conclusion, the developed integrated system successfully combines automated segmentation, interactive user feedback, and a morphological tracking algorithm to enable reliable and consistent propagation of a single reference segmentation across all image slices. This comprehensive framework enables precise identification of tumor regions indicated by a bounding box in two-dimensional breast MRI sequences, even in cases with complex morphology or unclear boundaries. By integrating deep learning-based predictions with user-guided corrections and adaptive tracking mechanisms, the system reduces manual workload while enhancing segmentation accuracy and consistency. The implementations and results presented in this thesis demonstrate that the proposed approach offers a robust, flexible, and scalable solution suitable for both research environments and real-world clinical applications, where efficiency, accuracy, and reproducibility are paramount.
Benzer Tezler
- New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Fetal mr görüntülerinin derin öğrenme tabanlı çoklu yapısal segmentasyonu
Fetal mr görüntüleri̇ni̇n deri̇n öğrenme tabanli çoklu yapisal segmentasyonu
ENES DEMİR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİROL ASLANYÜREK
DOÇ. DR. EMRAH AYDIN
- The Islamic State between facts and exaggeration & the role of U.S. intelligence and secretive agencies in the war against terrorist organizations
İŞİT gerçekler ve abartılar arasında ve terör organızasyonları karşısında savaşta ADB istihbarat ve gizli kuruluşların rolü
JIHANE GHARYENI
Yüksek Lisans
İngilizce
2023
Siyasal BilimlerHasan Kalyoncu ÜniversitesiSiyaset Bilimi ve Uluslararası İlişkiler Ana Bilim Dalı
DOÇ. DR. AHMET KESER
- Chemical characterization of exopolysaccharides from floccular and aerobic granular sludge receiving synthetic/ Industrial wastewasters
Sentetik/endüstriyel atıksu ile beslenen floküler ve aerobik granüler çamurdan elde edilen ekzopolisakkaritlerin kimyasal karakterizasyonu
STANLEY BORTSE SAM
Yüksek Lisans
İngilizce
2014
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. EBRU DÜLEKGÜRGEN