Fetal mr görüntülerinin derin öğrenme tabanlı çoklu yapısal segmentasyonu
Fetal mr görüntüleri̇ni̇n deri̇n öğrenme tabanli çoklu yapisal segmentasyonu
- Tez No: 948004
- Danışmanlar: DOÇ. DR. BİROL ASLANYÜREK, DOÇ. DR. EMRAH AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 67
Özet
Bu çalışmada, derin öğrenme tabanlı segmentasyon yöntemleri geliştirilerek fetal manyetik rezonans (MR) görüntülerinin otomatik analizi ve rahim, plasenta ile fetüs segmentasyonunun gerçekleştirilmesi amaçlanmıştır. Fetal MR görüntüleme, prenatal tanı süreçlerinde kritik bir rol oynamasına rağmen, mevcut manuel segmentasyon yöntemleri zaman kaybına neden olmakta ve uygulayıcıya bağlı hatalara yol açabilmektedir. Bu bağlamda, çalışmada uygulanan otomatik iki boyutlu segmentasyon yöntemlerinin, konjenital anomalilerin erken teşhisini kolaylaştırarak tanı doğruluğunu artıracağı ve tedavi planlamalarının optimize edilmesine katkı sağlayacağı öngörülmektedir. Literatürde fetal MR görüntülerinin segmentasyonuna yönelik çalışmalar son yıllarda artış göstermiş ve özellikle beyin segmentasyonu üzerine yoğunlaşmıştır. Ancak, rahim, plasenta ve fetüs gibi birden fazla yapının bütüncül şekilde segmentasyonuna odaklanan araştırmalar henüz daha sınırlı sayıdadır. Bu çalışma, bu boşluğu doldurarak yapay zeka tabanlı segmentasyon yöntemlerinin prenatal tanıya entegrasyonunu desteklemeyi hedeflemektedir. Segmentasyon süreçlerinin doğruluğu ve klinik uygulanabilirliğini değerlendirmek için, önceden eğitilmiş ResNet-50 ile U-Net modelinin birleşimi, Segment Anything Model (SAM), U-Net++ ve Swin U-Net gibi farklı derin öğrenme yaklaşımları kullanılmıştır. Özellikle, önceden eğitilmiş ResNet-50 ile entegre edilen U-Net tabanlı model, diğer yöntemlere kıyasla daha yüksek segmentasyon doğruluğu sergilemiştir. Elde edilen bulgular, geliştirilen derin öğrenme tabanlı iki boyutlu segmentasyon modelinin manuel yöntemlere kıyasla daha hızlı, tekrarlanabilir ve kullanıcıdan bağımsız analizler gerçekleştirebildiğini ortaya koymaktadır. Modelin ölçeklenebilir ve genellenebilir yapısı, farklı hasta gruplarına uygulanabilirliğini mümkün kılmakta; böylece prenatal tanı süreçlerinde erken teşhis ve risk yönetimi gibi kritik kararların daha güvenilir ve hızlı bir şekilde alınmasına katkı sunmaktadır.
Özet (Çeviri)
This study aims to develop deep learning-based segmentation methods for automatic analysis of fetal magnetic resonance (MR) images and segmentation of uterus, placenta and fetus. Although fetal MR imaging plays a critical role in prenatal diagnosis, current manual segmentation methods are time consuming and can lead to operator dependent errors. In this context, the automated two-dimensional segmentation methods applied in this study are expected to facilitate the early diagnosis of congenital anomalies, improve diagnostic accuracy and contribute to optimizing treatment planning. Studies on segmentation of fetal MR images have increased in recent years in the literature and have focused especially on brain segmentation. However, studies focusing on the compherensive segmentation of multiple anatomical structures such as uterus, placenta and fetus are still limited. This study aims to fill this gap and support the integration of AI-based segmentation methods into prenatal diagnosis. To evaluate the accuracy and clinical applicability of the segmentation processes, different deep learning approaches were used, such as the combination of a U-Net model with pre-trained ResNet-50, Segment Anything Model (SAM), U-Net++ and Swin U-Net. In particular, the U-Net based model integrated with the pre-trained ResNet-50 exhibited higher segmentation accuracy compared to the other methods. The findings reveal that the developed deep learning-based two-dimensional segmentation model performs, repeatable and operator- independent analyses compared to manual methods. The scalable and generalizable nature of the model enables its applicability to different patient groups; thus, it contributes to making critical decisions such as early diagnosis and risk management in prenatal diagnosis processes more reliably and quickly.
Benzer Tezler
- Radyolojı̇k görüntülerde derı̇n öğrenme kullanılarak kanser alt tı̇plerı̇nı̇n ve genotı̇plerı̇nı̇n sınıflandırılmasının gelı̇ştı̇rı̇lmesı̇
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- 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
- Fetal MRG'de safra kesesi sinyal intensite paternlerinin değerlendirilmesi
Evaluation of gallbladder signal intensity patterns i̇n fetal MRİ
AYLİN USLU ÖRENER
Tıpta Uzmanlık
Türkçe
2016
Radyoloji ve Nükleer TıpMersin ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. TAYLAN KARA
- Evrişimli sinir ağları kullanarak beyin tümörü evrelerinin sınıflandırılması
Classification of brain tumor grades using convolutional neural networks
ESRA KARAOĞLU
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL
- Konjenital akciğer lezyonları: Fetal manyetik rezonans görüntüleme, prenatal ultrasonografi ve postnatal düşük doz bilgisayarlı tomografi anjiografi kullanılarak yapılan hacim ölçümüne dayalı lezyon tipinin öngörülmesi
Congenital lung lesions: Predictability of lesion type base= on volume analysis using fetal MRI, prenatal sonography and postnatal low=dose thoracic CT angiography
FİLİZ ELBÜKEN
Tıpta Uzmanlık
Türkçe
2010
Radyoloji ve Nükleer TıpGazi ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. ÖZNUR BOYUNAĞA