Geri Dön

Unet based segmentation in qualitative microwave imaging for breast cancer diagnosis

Meme kanseri tanisi için nitel mikrodalga görüntülemenin unet tabanli segmentasyonu

PDF İndir

  1. Tez No: 954462
  2. Yazar: GİZEM ÜNER
  3. Danışmanlar: PROF. DR. MEHMET ÇAYÖREN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 89

Özet

Meme kanseri, her yıl milyonlarca hastayı etkileyen bir kanser türüdür ve istatiksel çalışmalara göre görülme sıklığı bakımından diğer kanser türleri arasında ikinci sırada gelmektedir. Bu hastalığın erken safhalarda teşhis edilmesi hastanın yaşama şansını ve hayat kalitesini arttırabilmektedir. Meme kanserinin erken evrelerde teşhis edilmesi için mamografi, bilgisayarlı tomografi, ultrason ve manyetik rezonans görüntüleme gibi geleneksel teşhis araçları kullanılmaktadır. Bu yöntemlerin kullanılmasında bazı dezavantajlarla karşılaşılabilmektedir. Mamografi iyonize radyasyon içeren yani x-ışını içeren bir yöntemdir. Görüntülemenin gerçekleşebilmesi için memenin belirli bir yoğunluğun üzerinde olması gerekmektedir ve bu durum bu yöntemin 40 yaş ve üzerindeki hastalarda kullanılması gerekliliğini oluşturarak bir yaş sınırlaması getirmektedir. Mamografik görüntüleme, memenin iki düzlem arasında sıkıştırılmasından dolayı hastaya acı verebilen konforsuz bir yöntemdir. Ultrason mamografinin uygun olmadığı genç hasta gruplarında kullanılan, uygulaması görüntüleyen kişinin beceri ve yorumlamasına bağlı olan düşük çözünürlüklü bir görüntüleme yöntemidir. Manyetik rezonans görüntüleme ise diğer yöntemlere kıyasla iyonize radyasyon içermediğinden daha güvenilir bir yöntem olarak kabul edilmektedir. Manyetik rezonans görüntüleme pahalı bir yöntemdir ve görüntüleme süreci diğer yöntemlere kıyasla daha zaman alıcıdır. Tüm bu dezavantajlar araştırmacıları daha güvenilir ve alternatif bir görüntüleme yöntemi geliştirmek konusunda motive etmiştir. Mikrodalga görüntüleme, elektromanyetik dalgalar kullanılarak gerçekleştirilen bir yöntem olup, iyonize ışın içermediğinden diğer yöntemlere kıyasla güvenilir olması bakımından umut vericidir. Biyomedikal alanda mikrodalga görüntüleme temel olarak dokuların içerdiği su yoğunluğuna bağlı olarak sergilediği dielektrik profil baz alınarak gerçekleştirilir. Özetle, su yoğunluğu fazla olan tümör dokuları diğer dokulara kıyasla daha parlak kontrastta görülmektedir. Elektromanyetik dalgaların dokulardaki penetrasyonu düşük olduğundan elde edilen görüntüler düşük çözünürlüklü olmaktadır. Mikrodalga görüntüleme esnasında ortam gürültüsü yani antenlerden alınan sinyaller üzerinde girişime neden olan her türlü istenmeyen sinyal elde edilecek görüntünün gürültülü olmasına neden olmaktadır. Mikrodalga görüntü elde edilmesinde ters saçılma problemi ile karşılaşılmaktadır. Bu problemin üstesinden gelebilmek için nicel ve nitel görüntüleme algoritmalarından yararlanılmaktadır. Bu işlem sonunda elde edilen görüntülerin radyolog tarafından değerlendirilmesine ihtiyaç duymaktadır. Nicel görüntüleme algoritmalarından faydalanarak daha hızlı ve doğru görüntü elde edebilmek amaçlanmaktadır. Bu tezin iki ana gözlemi vardır. İlk aşamada, sentetik olarak mikrodalga meme kanseri görüntülerinin toplam elektrik alandan nitel bir yöntem olan faktörizasyon metoduyla elde edilmesiyle bir veri seti elde edilmesidir. Bu veri setindeki görüntüler meme dokusunun dielektrik profiline uygun olarak literatürdeki ex vivo çalışmalar baz alınarak elde edilmiştir. Bu çalışmanın bir diğer gözlemi ise bu veri setindeki görüntüler ile derin öğrenme metotlarını besleyerek görüntülerde tümörün var olup olmadığını tespit edebilmektir. Bu çalışma ile mikrodalga meme kanseri tespitinde görüntünün elde edilmesiyle gerçek zamanlı bir segmentasyon yaklaşımı sunularak meme kanserinin varlığını tespit edebilmek ve bu durumun sonucunda radyologların erken evre kanser teşhisi süreçlerinde iş yüklerini azaltmaya yardımcı olması amaçlanmaktadır. Mikrodalga meme kanseri görüntülerinin oluştulması aşamasında 1500 veriden oluşan sentetik veri seti elde edilmiştir. Bu veri setinde 1000 tane tek tümörlü mikrodalga görüntü, 250 tane çift tümör içeren görüntü ve 250 tane tümörsüz görüntüden oluşan durumları içermektedir. Oluşturulan mikrodalga görüntülerin dieletrik profillerine göre tümörlü bölgeler ground-truth olarak isimlendirilen görüntüler olarak elde edilmiştir. Derin öğrenme yöntemlerinin segmentasyon, görüntü sınıflandırma, görüntüleri iyileştirme gibi görevlerde sergilediği performans bakımından mikrodalga görüntüleme süreçlerinde yardımcı bir araç olarak kullanılması son yıllarda popülerlik kazanmıştır. Derin öğrenme yöntemlerinin segmentasyon görevlerini saniyeler içerinde yerine getirebilme özelliğinden yararlanılarak bu veri seti Unet, Attention Unet ve Attention Residual Unet modelleri üzerinde test edilerek literatüre Unet dışındaki segmentasyon modellerinin performansı nitel bir yöntem olan faktörizasyon metoduyla oluşturulmuş görüntülerin toplam elektrik alandan elde edilen görüntüler üzerinden incelenmesi bu çalışmanın literatüre katkısı olacaktır. Bu çalışmada segmentasyon için üç farklı derin öğrenme modelinden faydalanılmıştır. Bu modellerin optimum değerlerde çalışması için uygun parametreler ve modellerin oluşturulması için kritik öneme sahip olan değerler örneğin konvolüsyon bloklarının başlangıç değerleri, çalışmada kullanılacak optimizerın öğrenme oranı ve modelin eğitim aşamasında kullanılan batch size, yani model üzerinde verileri bir çeşit kümeleme işlemiyle eğitim aşamasına girmesine yardımcı olan parametrelerin model için uygun olan değerlerde ayarlanabilmesi, bir Python kütüphanesi olan Optuna fonksiyonları kullanılarak elde edilmiştir ve tüm olası senaryolar için her üç model belirli sayıda eğitilerek her bir model için optimum sonuçlar elde edilmiştir. Derin öğrenme yöntemlerinden elde edilen görüntüler, piksel tabanlı görüntü benzerlik metrikleri olan yapısal benzerlik indeksi (SSIM) ve ortalama karesel hata (MSE) değerleri her bir veri seti ve onun ground-truth görüntüleri üzerinden bu metriklerin kullanılmasıyla elde edilmiştir ve ortalama değerleri hesaplanarak değerlendirilmiştir. Bu metriklerin seçilme nedeni, bu senaryo için dielektrik profilleri bilinen tümörlü ya da tümörsüz ground-truth görüntülerine sahip olunduğundan, bu görüntülerin değerlendirilmesi parlaklık, kontrast ve elde edilen yapının benzerliğini belirleyebilen bir değer olarak sunulabilmesidir. Bu durum mikrodalga görüntülerin dokuların içerdiği su miktarına göre dielektrik profilin belirlenmesi yani daha fazla su içeren tümörlü dokuların diğer dokulara kıyasla daha parlak görünmesi ile ilgili bir korelasyonu da sağlayabilmektedir. Unet, Attention Unet ve Attention Residual Unet modellerinin performans sonuçları kıyaslandığında Unet için ortalama SSIM değeri 0.94, Attention Unet için 0.9278 ve Attention Residual Unet için 0.9236 olarak bulunmuştur. SSIM değerinin 1' e yakın olmasıyla kıyaslanan iki görüntü benzerliğinin birbirine daha yakın olduğu gösterilmektedir. Bu durumda Unet modelinin daha belirgin bir benzerlik sonucu ortaya koyduğunu görülmektedir. Attention Unet ve Attention Residual Unet modellerinin SSIM değerleri birbirlerine ne kadar yakın görünse de modellerin görüntüleri segmente etme performasları incelendiğinde Attention Unet'in modelin öğrenme esnasında overfitting durumuna bir önlem olarak dropout katmanlarının Unet' ten daha fazla kullanılmasının segmentasyon performansını düşürebildiği sonucuna ulaşılabilmektedir. Ayrıca Attention Unet modeli diğer modellere kıyasla iki tümör içeren görüntüleri daha belirgin şekilde elde edebilmektedir. Her üç modelin MSE metriği ile kıyaslanmasından elde edilen ortalama sonuçlar ise şu şekildedir: Unet'in MSE değeri 0.00973, Attention Unet' in MSE değeri 0.01609 ve Attention Residual Unet modelinin MSE değeri 0.01393 olarak bulunmuştur. MSE değeri 0'a yaklaştıkça kıyaslanan iki görüntünün benzerliği artmaktadır. Buna göre Unet modelinden elde edilen görüntüler ile ground-truth görüntülerinin benzerliği birbirlerine yakındır sonucuna ulaşılabilmektir. Modellerin çalışma sürelerini kıyaslamak için timeit fonksiyonundan faydalanılmıştır. Elde edilen sonuçları; kullanılan GPU'nun özellikleri, modellerin batch size değerleri, optimizer'ın öğrenme oranı ve modellerin kompleks bir mimariye sahip olması gibi etkenler etkileyebilmektedir. Attention Unet modelinin eğitim süresi 351.93 saniye iken Attention Residual Unet modelinin eğitim süresi ise 435.15 olarak bulunmuştur. Bu durum Attention Unet modelinin daha karmaşık bir mimariden meydana gelmesinden kaynaklanmaktadır. Sonuç olarak gerçek zamanlı bir tümör segmentasyonu yapabilmek için Unet modelinin diğer modellere kıyasla daha belirgin bir performans sergilediği görülmektedir. Ancak diğer modellerin toplam elektrik alandan tümör segmentasyonu yapabilmesi yani tümörlü veya sağlıklı durumları tespit edebilmesi bu alanda yapılacak çalışmalar için bir zemin hazırlamaktadır. Özetle, bu tez sentetik mikrodalga meme kanseri görüntülerinin faktörizasyon metodundan faydalanılarak toplam elektrik alandan elde edilmesi ve elde edilen bu görüntülerin üç farklı derin öğrenme metotu olan Unet, Attention Unet ve Attention Residual Unet kullanılarak tümörün varlığını segmentasyon yöntemi özelliklerinin yardımıyla tespit edebilmekte olup bu durum bu yaklaşımın medikal alanda kullanılması ve erken evre meme kanseri teşhis süreçlerinde radyologların iş yükünü hafifletmek amacıyla kullanılmasına bir ön klinik çalışma olarak ele alınabilmesi bakımından umut vericidir. Bu çalışmanın bir ön klinik çalışma olarak değerlendirilmesinin nedeni veri setinin oluşturulmasında tümörün varlığı, konumu, boyutu ve dielektrik profili bilinen ground-truth görüntülerinin segmentasyon aşamasında kullanılmasıdır. Gerçek durumda ise tümörün olabileceği şüpheli bölgelerin görüntüleri bir radyolog tarafından işaretlenerek oluşturulmaktadır ve bu durumda tümörlü bölgelerin yeri ve boyutları segmentasyon metrikleri kullanılarak değerlendirilebilmektedir. Bu çalışmanın bir diğer eksik yanı ise bu çalışma yalnızca dokuların iki boyutlu kesit görüntüleri olarak ele alınması yaklaşımı üzerine kurgulanmıştır. Ancak doğası gereği incelenen dokular üç boyutludur ve üç boyutlu bir inceleme yapılabilmesi için üç boyutlu nitel görüntü algoritmalarından ve segmentasyon işlemi için de üç boyutlu segmentasyon yapabilen derin öğrenme yöntemlerinden faydalanılması gerekmektedir.

Özet (Çeviri)

Breast cancer is a prevalent type of disease which affects millions of people every year. Early diagnosis of this disease is critical to save the patients' lives. The traditional diagnosis methods of breast cancer have some drawbacks, such as including ionising radiation, low resolution, age limitations, and a long imaging procedure. To overcome these drawbacks, researchers have developed the alternative imaging methods, such as microwave imaging. Microwave imaging is based on the using electromagnetic waves, therefore this imaging procedure is safer than other imaging techniques which include ionising radiation. Microwave images have low resolution because of the generation of the imaging process, the inverse scattering problem occurs. This problem affects the image quality in terms of the examination of biomedical imaging. To overcome this issue, researchers utilize qualitative or quantitative imaging algorithms. However, the microwave breast cancer images are required to evaluate by a radiologist. This thesis has two main observations. In first part of the thesis, the microwave breast cancer images will generate by using a qualitative imaging method- the factorization method, to obtain the images from the total electric field. Another observation of this thesis is the detection of whether the tumour region exists with the help of a segmentation process by using deep learning methods. This thesis aims to present a solution to the detection of breast cancer in real time with the help of the properties of deep learning methods. Thus, it will be presented a contribution of the literature as a comparison of the model performance results of this study. The synthetic microwave breast cancer images were generated by using the factorization method, and the dielectric profiles of the images were determined based on the ex vivo studies of the microwave breast imaging. The 1500 images were obtained from this process. This dataset contains the 1000 images of single tumours, the 250 images of two-tumourous and the 250 images of without tumour. The ground-truth images were generated based on the dielectric profile of the tumorous regions. The Unet, Attention Unet and Attention Residual Unet models were used for segmentation of the images. The optimum hyperparameter values were determined by using Optuna.The pixel-based image similarity metrics, such as SSIM and MSE, were used to evaluate these models results. As a result of this thesis, the use of the Unet model and other models showed significant image segmentation performance by using the synthetic image dataset obtained from the total field. The mean of the SSIM values of the Unet model was found to be 0.94, the Attention Unet was 0.9278, and the Attention Residual Unet model was 0.9236. The mean of MSE value of Unet model was found as 0.00973, the Attention Unet was 0.01609 and the Attention Residual Unet model was 0.01393. These models performed the segmentation process in seconds. The training and test duration of the Unet model was shorter than other models due to the configuration of the model. This thesis is proposed as a preliminary study of the detection and segmentation of the suspicious tumour regions due to we have known the properties of the dielectric profile of the examined tumorous regions. In reality, the localisation and size of tumour regions are required to label by a radiologist for use in segmentation tasks. The lack of this study, it was proposed to use the two-dimensional slice microwave images of the breast, but the nature of the examined organ is three-dimensional. Therefore, the three dimensional qualitative imaging methods and the three-dimensional deep learning methods for segmentation of the tumorous regions could be utilized.

Benzer Tezler

  1. Tez No

    639330

    Deep learning based segmentation pipeline for label-free phase-contrast microscopy images

    Etiketsiz faz-kontrast mikroskopi görüntüleri için derin öğrenme tabanlı segmentasyon boru hattı

    AYDIN AYANZADEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

    DOÇ. DR. DEVRİM ÜNAY

  2. Tez No

    729824

    Image reconstruction with deep learning and applications in MR images

    Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları

    AMIR AGHABIGLOU

    Doktora

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  3. Tez No

    759206

    Beyin tümör tespiti için derin öğrenme temelli bilgisayar destekli tanı sistemi

    Deep learning based computer aided diagnostic system for brain tumor detection

    TARIKCAN DOĞANAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilim ve TeknolojiGazi Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  4. Tez No

    803647

    Derin öğrenme yaklaşımlarıyla tıbbi yara görüntülerinin segmentasyonu ve sınıflandırılması

    Segmentation and classification of medical wound images with deep learning approaches

    HÜSEYİN ELDEM

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ERKAN ÜLKER

  5. Tez No

    927861

    Machine learning and ımage processing based concentration prediction of pancreatic cancer biomarker

    Pankreas kanseri biyobelirtecinin makine öğrenmesi ve görüntü işleme tabanlı konsantrasyon tahmini

    TURGUT KARADEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BAŞAK ESİN KÖKTÜRK GÜZEL

    DR. ÖĞR. ÜYESİ GİZEM KALELİ CAN

Geri Dön