Derin öğrenmenin U-net modellemesi kullanılarak beyin tümörünün görüntü tabanlı segmentasyonu
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Beyin tümörü, çocukları ve yetişkinleri etkileyen ölümcül bir hastalıktır. Hastalık genellikle fiziksel muayene ve nörolojik muayene ile tespit edilebilir, ancak sınıflandırma için biyopsi yapılması gerekmektedir. Günümüzde, beş yıllık sağkalım oranı nedeniyle erken teşhis çok önemlidir. Erken teşhis ve sınıflandırma, tedavi planını seçmede yardımcı olabilir. Gelişen teknoloji ve yapay zeka tekniklerindeki büyük ilerlemeler, mevcut MRI görüntü verilerinin kullanılmasıyla teşhis ve sınıflandırmada büyük riskler olmadan yardımcı olabilir. Bu tez çalışması kapsamında, U-Net adı verilen ve tıbbi görüntü işlemede oldukça etkili bir öğrenme algoritması olan Derin Öğrenme modelinin kullanması amaçlanmıştır. Beyin tümörünün segmentasyonu için 259 yüksek dereceli glioma (HGG) ve 76 düşük dereceli glioma (LGG) hasta verilerinden oluşan BraTS 2019 veri seti kullanılmıştır. Bu görüntüler radyologlar tarafından incelenmektedir. Ortogonal düzlemlerin (sajital, koronal ve eksenel) her biri için U-Net mimarisi kullanılarak tahminler birleştirilmiştir. Bu çalışmada; oluşturduğumuz modelin tam tümör tahmini yapması, tümör kırpma yaparak bu tahmini daha başarılı hale getirilmesi, görüntüleri birleştirerek daha doğru tahminler yapması ve en son oluşturulan verilerden istediğimiz veriyi gözlemleyerek tahmin sonucunun radyolog segmentasyonuna yakın olması gibi hipotezlerimizin gerçekleşmesi beklenmektedir. Sonuçlar karşılaştırıldığında, radyologlar tarafından segmentasyonu saatlerce sürebilen ancak önerilen yöntemle aynı işlemi yüzlerce görüntü için saniyeler içinde yapıldığı görülmüştür. Ayrıca sonuçlara bakıldığında belirtilen hipotezlerin başarıyla gerçekleştiği gözlemlenmiştir. Bilgisayar tahmini segmentasyon görüntüsü, radyoloğun manuel olarak yaptığı segmentasyona yakın bir tahmin yaparak başarılı olması gözlemlenmesi önerilen yöntemlerin farklı tıbbi alanların segmentasyon görevlerinde uygulanmasını sağlayarak bu yazılımların belki hastanelerin radyoloji servisinde kullanılmaya başlanabilmesini teşvik edebilmektedir.
A brain tumor is a fatal disease that affects children and adults. The disease is typically detected through physical and neurological examinations, but a biopsy is necessary for classification. This final step involves brain surgery, which is challenging and complex. Early detection is crucial due to the five-year survival rate. Early diagnosis and classification can assist in selecting the appropriate treatment plan. Significant advancements in technology and artificial intelligence techniques have made it possible to aid in diagnosis and classification using available MRI image data without significant risks. The BraTS 2019 dataset, consisting of 259 high-grade gliomas (HGG) and 76 low-grade gliomas (LGG) patient data, was used for brain tumor segmentation. These images are examined by radiologists. Predictions were combined using the U-Net architecture for each orthogonal plane (sagittal, coronal, and axial). When comparing the results, it was observed that the same process that could take radiologists hours for segmentation could be done in seconds for hundreds of images using the proposed method. Computer-aided segmentation images showed successful approximation to the manual segmentation performed by radiologists, encouraging the application of these proposed methods in segmentation tasks in various medical fields. This could potentially lead to the adoption of such software in the radiology services of hospitals.
A brain tumor is a fatal disease that affects children and adults. The disease is typically detected through physical and neurological examinations, but a biopsy is necessary for classification. This final step involves brain surgery, which is challenging and complex. Early detection is crucial due to the five-year survival rate. Early diagnosis and classification can assist in selecting the appropriate treatment plan. Significant advancements in technology and artificial intelligence techniques have made it possible to aid in diagnosis and classification using available MRI image data without significant risks. The BraTS 2019 dataset, consisting of 259 high-grade gliomas (HGG) and 76 low-grade gliomas (LGG) patient data, was used for brain tumor segmentation. These images are examined by radiologists. Predictions were combined using the U-Net architecture for each orthogonal plane (sagittal, coronal, and axial). When comparing the results, it was observed that the same process that could take radiologists hours for segmentation could be done in seconds for hundreds of images using the proposed method. Computer-aided segmentation images showed successful approximation to the manual segmentation performed by radiologists, encouraging the application of these proposed methods in segmentation tasks in various medical fields. This could potentially lead to the adoption of such software in the radiology services of hospitals.
Açıklama
Anahtar Kelimeler
Biyoloji, Biology
