Deep learning techniques for 3D volume reconstruction from planar X-ray images
Düzlemsel X-ışını görüntülerinden 3B hacim rekonstrüksiyonu için derin öğrenme teknikleri
- Tez No: 976514
- Danışmanlar: PROF. DR. HASAN FEHMİ ATEŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
X-ray, düşük maliyeti nedeniyle genellikle tıbbi görüntülemede en çok tercih edilen yöntemdir. Ancak, 2 boyutlu olması sebebiyle teşhis aşamasında 3 boyutlu görüntüleme teknikleri kadar etkili değildir. Öte yandan, 3 boyutlu görüntüleme maliyetli olduğundan X-ray kadar yaygın değildir ve bilgisayarli tomografi, doku hasarıyla ilişkili daha yüksek radyasyon riskleri taşır. Bununla birlikte, X-ray'den 3 boyutlu rekonstrüksiyon (3Dr) yapmak makul bir orta yol gibi görünmektedir. İstatistiksel şablonlar aracılığıyla 2B/3B eşleştirmeye dayanan geleneksel 3Dr yöntemleri, hastaya özgü anatomik değişkenlikleri çoğu zaman göz önünde bulunduramadıkları için doğruluk sorunlarına yol açmaktadır. Bu tez, tek bir X-ray üzerinden 3Dr için iki yeni derin öğrenme tekniği tanıtmaktadır: X-ray to Volume (X2V) ve X-ray to Bone (X2B). Görüntü dönüştürücü tabanlı bir kodlayıcı içeren X2V, bireysel anatomik farklılıkları yakalayabilen son derece hassas 3B organ modelleri üretmektedir. X2B ise bu yaklaşımı iskelet yapılarına uygulayarak, X-ray'lerdeki örtüşen Hounsfield Birimi (HU) değerleri gibi ince yapısal detayların çıkarılmasını zorlaştıran sorunları ele almaktadır. Ayrıca, X2B'nin genişletmeleri olarak sunulan X-ray to Bone Registration (X2BR) ve Biplanar X-ray to Bone (X2B2) teknikleri, kaburgalar ve omurların yüksek çözünürlüklü 3Dr'ını elde etmek amacıyla nesne tespiti, nöral örtük modelleme ve esnek eşleştirme işlemlerini içerir. Chamfer mesafesi, kesişimin birleşime oranı, f-skoru ve normal tutarlılığı metrikleri üzerinden yapılan değerlendirmeler, bu dört tekniğin literatürdeki mevcut yöntemlere kıyasla üstün olduğunu göstermektedir. Geleneksel istatistiksel yöntemlerle modern derin öğrenme arasındaki boşluğu kapatan bu tez, daha kişiselleştirilmiş ve kesin teşhis ile tedavi çözümlerine zemin hazırlayarak, klinik iş akışlarını ve hasta sonuçlarını iyileştirme potansiyeline sahiptir.
Özet (Çeviri)
X-ray is most often the preferred form of medical imaging due to its low cost. However, being 2D, it is not as effective as 3D imaging techniques when it comes to diagnosis. On the other hand, 3D imaging is expensive and hence not as ubiquitous as X-ray, with computed tomography posing higher radiation risks linked to tissue damage. Having said that, 3D reconstruction (3Dr) from X-ray seems like a plausible compromise. Conventional 3Dr methods, which rely on statistical templates for 2D/3D registration, often fail to account for patient-specific anatomical variations, leading to inaccuracies. This thesis introduces two novel deep learning techniques for 3Dr from a single X-ray, namely, X-ray to Volume (X2V) and X-ray to Bone (X2B). X2V, incorporating a vision transformer based encoder, reconstructs highly accurate 3D organ models, which capture individual anatomical variability. X2B applies this methodology to skeletal structures, addressing challenges such as overlapping Hounsfield Unit values in X-rays, which hinder the extraction of fine structural details. Furthermore, as extensions to X2B, X-ray to Bone Registration (X2BR) and Biplanar X-ray to Bone (X2B2) techniques integrate object detection, neural implicit modeling, and non-rigid registration to generate high-resolution 3Dr of ribs and vertebrae. We show that all four techniques are superior than the state of the art in the literature through chamfer distance, intersection over union, f-score, normal consistency metrics. By bridging the gap between traditional statistical methods and modern deep learning, this thesis enables more personalized and precise diagnostic and therapeutic solutions, with the potential of improving clinical workflows and patient outcomes.
Benzer Tezler
- 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
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Segmentation on brain MR images by using deep learning network and 3D modelling
Derin öğrenme ile MR görüntüleri üzerinde görüntü segmentasyonu ve 3D modelleme
GÖKAY KARAYEĞEN
Doktora
İngilizce
2021
Mühendislik BilimleriBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET FEYZİ AKŞAHİN
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Unsupervised anomaly detection on brain fractional anisotropymaps by inpainting with denoising diffusion probabilistic models
Gürültü giderici difüzyon olasılık modelleri ile iç boyamayoluyla beyin fraksiyonel anizotropi haritalarındadenetimsiz anormallik tespiti
BURHAN YUSUF ARAT
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiYeditepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANDAÇ HAMAMCI