Medikal Görüntü İşlemede Derin Öğrenme Uygulamaları

Abstract

This work is licensed under Creative Commons Attribution-NonCommercial 4.0 International License ÖZ Manyetik rezonans görüntüleme (MRI), bilgisayarlı tomografi (BT), pozitron emisyon tomografisi (PET), mamografi, ultrason ve röntgen gibi tıbbi görüntüleme teknikleri uzun yıllardan beri hastalıkların teşhisi, tanısı ve tedavisi için kullanılmıştır. Ancak hastalıkların daha erken teşhisi, uzmanların yoğunluğunu azaltma, çakışan uzman görüşlerini karara bağlama gibi nedenlerle, bu alanda makine öğrenmesi yöntemlerinden yararlanılmaktadır. Veri miktarının artması ile makine öğrenmesi yöntemleri görüntü işleme alanında yetersiz kalmış, gelişen matematiksel modeller ve donanımsal cihazlar sayesinde derin öğrenme bu alanda kendine geniş bir yer edinmiştir. Bu çalışmada derin öğrenme yöntemlerinin medikal görüntü işleme alanında uygulanması incelenmiştir. Segmentasyon, sınıflandırma ve hastalık teşhisi, görüntü oluşturma, dönüştürme ve iyileştirme alanlarında yapılan çalışmalardan oldukça güncel örnekler sunulmuş, yapılan çalışmalarda kullanılan algoritmalar kısaca açıklanmıştır. Ayrıca BraTS 2020 veri seti üzerinde derin öğrenme ile beyin tümör segmentasyonu gerçekleştirme denenmiş, sonuç olarak %86 dice benzerlik oranı ve %80 hassasiyet değeri elde edilmiştir. Bu çalışmanın medikal görüntüler üzerinde derin öğrenme yöntemleri ile yapılacak farklı çalışmalara yol gösterecek bir kaynak olması hedeflenmiştir.

Evrişimli Sinir Ağlarında Beyin Tümörü Segmentasyonu

“…Eker ve arkadaşı Brats20 veri setleri üzerinde 2021 yılında yaptıkları çalışmada; T1ce MR görüntüsü üzerinde tümörlü bölgenin 64*64 piksel kesitini alarak eğittikleri U-Net ağlarında 0.86 dice benzerlik puanı almıştır [11].…”

“…Şekil 4'te 100 dönem boyunca eğitilen modelin tüm tümör bölgesi için değerlendirme indekslerinden aldığı sonuçlar gösterilmektedir. 0.902 0.824 0.777 U-Net [5] 0.890 0.840 0.810 AresU-Net [6] 0.892 0.853 0.825 3D U-Net [8] 0.893 0.830 0.749 RD2A 3D U-Net [16] 0.903 0.844 0.781 BU-Net [10] 0.901 0.837 0.788 Two-stage cascaded U-Net [7] 0.887 0.836 0.832 MIRAU-Net [17] 0.885 0.879 0.818 ReSoU-Net [18] 0.876 0.782 0.717 U-Net [11] 0 Bu çalışmada gerçekleştirilen çalışmanın beyin tümörü segmentasyonun otomatik olarak yapması ve ön tanıda bulunarak uzmanların değerlendirme hızı ve kalitesini artıracağı öngörülmektedir. Geliştirilen ağın şu an ki doğruluk değerleri ile uzman destek sistemi olarak uygulanması mümkün olsa da beyin tümörü teşhisinin hassas bir konu olması nedeni ile daha başarılı ve benzerlik değeri yüksek ağların geliştirilmesi ihtiyacı devam etmektedir.…”

WITHDRAWN: Breast Cancer Detection by Using VGG19 Deep Learning Network with Image Filtering and Histogram Equalization Methods

“…For many years, imaging techniques such as Magnetic Resonance Imaging, Computed Tomography, Positron Emission Tomography, Mammography, Ultrasound and X-ray have been used for the early diagnosis and treatment of diseases. By means of these imaging methods, radiologists and physicians can interpret for the diagnosis and treatment of diseases [7]. Although the mammography method is a good method in the diagnosis of breast cancer, it has a high risk of false negative or false positive results.…”

Deep Learning Based Methods for Biomedical Image Segmentation: A Review

“…TEA, özellik haritalarını örneklemek için kullanılan ters evrişim çekirdekleri sayesinde, uçtan uca segmentasyona[67] dönüşen modelin giriş görüntüsü ile aynı boyuta sahip bir segmentasyon haritasını tahmin etmesine olanak sağlamıştır. Ters evrişim kavramını kullanan tıbbi görüntü segmentasyonu için en iyi bilinen TEA yapılarından biriŞekil 6'de gösterilenU-Netağ yapısıdır[68][69]. U-Net, kod çözücü tarafında ters evrişim işlemi gerçekleştirir ve buna ek olarak mimarinin kodlayıcı tarafından gelen bağlantılar sayesinde özniteliklerin kaybolmasına engel olmaktadır.…”

“…U-net' te, her bir alt örnekleme ve yukarı örnekleme katmanını birbirine bağlamak için atlama bağlantı işlemini kullanır. Bu, uzamsal bilgilerin doğrudan çok daha derin katmanlara uygulanmasını sağlarkendaha verimlibir segmentasyon yapılmasınada ortam sağlamış olur[69]. Milletari ve ark.…”