Lesion segmentation in brain magnetic resonance (MRİ) images
Beyin manyetik rezonans (MR) görüntülerinde lezyon segmentasyonu
- Tez No: 963495
- Danışmanlar: DR. ÖĞR. ÜYESİ ONAN GÜREN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 134
Özet
Beyin lezyonları; inme, travmatik beyin hasarı, tümörler, enfeksiyonlar ve multipl skleroz gibi pek çok nörolojik bozuklukla ilişkili olup, dünya çapında ciddi bir halk sağlığı sorunu teşkil etmektedir. Bu lezyonların erken ve doğru şekilde tespit edilmesi, uygun tedavi planlaması ve hastalığın seyrinin izlenmesi açısından büyük önem taşımaktadır. Bu bağlamda, görüntüleme verilerinin derin öğrenme (DL) ile otomatik olarak analiz edilmesi, klinik süreçlerde karar destek aracı olarak dikkat çekmektedir. Bu tez çalışmasında, özellikle iskemik inme sonrası oluşan beyin lezyonlarının segmentasyonu ve klinik olarak yorumlanabilir hale getirilmesi amacıyla uçtan uca bir derin öğrenme temelli sistem önerilmiştir. Çalışmada, yoğun atlamalı bağlantılar, Atrous Spatial Pyramid Pooling (ASPP) modülü ve gelişmiş dikkat mekanizmaları entegre edilerek özelleştirilmiş bir 3B U-Net modeli geliştirilmiştir. Model, çok merkezli yapıya ve lezyon çeşitliliğine sahip ISLES 2022 veri seti ile eğitilip valide edilmiş, ardından ISLES 2015 veriseti ile bağımsız teste tabi tutulmuştur. Model geliştirme sürecinde, yalnızca DWI sekanslarıyla gerçekleştirilen deneylerde 0.819 DSC ile literatürde ye alan ileri düzey modeller geride bırakılmış; ardından FLAIR ve ADC gibi sekanslarla birlikte çoklu sekans kombinasyonlarının kullanıldığı deneylerde yapısal ve fizyolojik bilgilerin tamamlayıcı etkisi analiz edilmiştir. Ayrıca, farklı eğitim senaryolarından elde edilen modellerin çıktıları üzerinde probability averaging, weighted averaging ve CNN tabanlı birleşim stratejileri uygulanarak ensemble yöntemlerin başarısı irdelenmiştir. Bu yöntemler sonucunda DWI sekansında 0.876 DSC, DWI+FLAIR sekansında ise 0.818 DSC elde edilmiştir. Modelin genellenebilirliğini değerlendirmek ve domain farklılıklarının performans üzerindeki etkisi ortaya koymak için ISLES 2015 verisi ile yapılan harici testte DWI+FLAIR sekansı ile 0.772 DSC elde edilmiştir. Çalışmanın devamında segmentasyonun ötesine geçilerek, elde edilen sonuçların klinik bağlamda yorumlanabilirliğini artırmak amacıyla otomatik klinik raporlama modülü geliştirilmiştir. Bu modül, segmentasyon çıktılarından yola çıkarak ön tanı niteliğinde standartlaştırılmış metinler üretmekte; özellikle zamanın kritik olduğu vakalarda uzmanlara destek sunmayı hedeflemektedir. Bu yaklaşım, algoritmik çıktı ile klinik karar arasında anlamlı bir köprü kurmayı amaçlamaktadır. Elde edilen bulgular, geliştirilen sistemin hem teknik hem de klinik açıdan umut vadeden sonuçlar sunduğunu göstermektedir. Bununla birlikte, daha geniş ve çeşitli veri setleri ile yapılacak kapsamlı geçerleme çalışmaları, uzman onayı ve kullanıcı dostu arayüzlerle klinik sistemlere entegrasyon gibi adımlar, sistemin gerçek dünyada uygulanabilirliğini artırmak açısından kritik öneme sahiptir.
Özet (Çeviri)
Brain lesions are associated with a wide range of neurological disorders, including stroke, traumatic brain injury, tumors, infections, and multiple sclerosis. This association constitutes a significant public health concern on a global scale. The early and accurate identification of these lesions is critical for effective treatment planning and disease monitoring. In this context, automatic analysis of imaging data using deep learning (DL) is emerging as a promising decision-support tool in clinical processes. This thesis proposes an end-to-end DL-based system for the segmentation and clinical interpretation of brain lesions that occur specifically after ischemic stroke. In this study, a customized 3D U-Net model was developed by integrating dense skip connections, Atrous Spatial Pyramid Pooling (ASPP) module, and advanced attention mechanisms. The model was trained and validated on the ISLES 2022 dataset, which has a multi-center structure and lesion diversity, and then independently tested on the ISLES 2015 dataset. During the model development process, in experiments conducted with DWI sequences alone, the advanced models in the literature were outperformed with a DSC of 0.819. Subsequently, the complementary effect of structural and physiological information was analyzed in experiments using multiple sequence combinations together with sequences such as FLAIR and ADC. Furthermore, the efficacy of ensemble methods was examined by implementing probability averaging, weighted averaging, and Convolutional Neural Network (CNN)-based ensemble strategies to the outputs of models obtained from different training scenarios. The utilization of these methodologies yielded a DSC value of 0.876 for the DWI sequence and 0.818 for the DWI+FLAIR sequence. Following, expanding beyond segmentation, the automatic clinical reporting module was developed to enhance the interpretability of the obtained results in a clinical context. The objective of this module is to generate standardized texts of preliminary diagnoses derived from segmentation outputs, and its primary goal is to provide support to experts, with a particular focus on cases that require urgent attention. This approach aims to establish a significant bridge between algorithmic output and clinical decision-making. The findings demonstrate that the developed system offers promising results from both technical and clinical perspectives. Nevertheless, it is essential to conduct exhaustive validation studies employing extensive and heterogeneous datasets, obtain expert validation, and incorporate the system into clinical systems with user-friendly interfaces to enhance the system's real-world applicability.
Benzer Tezler
- Detection and classification of brain tumors in MRI images using deep convolutional neural network
Başlık çevirisi yok
HUSSEIN ALISMAEELI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Manyetik rezonans görüntüleri yardımıyla Multiple Skleroz hastalığının tanısı için derin öğrenme yöntemlerinin analizi
Analysis of deep learning methods using magnetic resonance images for the diagnosis of Multiple Sclerosis disease
FATMA AKSU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CEVAHİR ÇINAR
- Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images
Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları
BEYTULLAH SARICA
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Mezial temporal skleroz olgularında korpus kallozumun ve beyin korteksinin antropometrik ölçümlerle değerlendirilmesı
Evaluation of the corpus callosum and brain cortex in patient with mesial temporal sclerosis with anthropometric measurements
HAMDULLAH ERK
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. HAKAN ÖNDER
- Yüksek dereceli gliomlarda tedaviye bağlı gelişen radyonekrozun, nüks ya da rezidü tümöral lezyondan ayrımında bilgisayar temelli yapay zekânın rolü
The role of computer-based artificial intelligence in distinguishing treatment-related radiation necrosis from recurrent or residual tumoral lesions in high-grade gliomas
İBRAHİM ALTINDAŞ
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİL ÖZER