U-net Mimarileri ile Glioma Tümör Segmentasyonu Üzerine Bir Literatür Çalışması

Abstract

ÖzEvrişimli sinir ağı yöntemlerinden biri olan U-net, sınırlı miktarda eğitim verisi kullanarak görüntüleri hassas bir şekilde bölümlere ayırabilen, tıbbi görüntü analizi için geliştirilmiş bir görüntü bölümleme tekniğidir. Basit, esnek ve genişletilebilir bir yapıda olup yüksek kalitede piksel düzeyinde bölütleme sonuçları sunmaktadır. Bu özellikleri sayesinde, tıbbi görüntüleme toplulukları içerisinde çok yüksek bir fayda sağlamakta ve tıbbi görüntüleme bölütleme görevleri için U-net ve varyasyonları yaygın bir şekilde kullanılmaktadır. Tomografi (CT) taramaları, Manyetik rezonans (MR) taramaları, X ışınları ve Mikroskopiye kadar büyük ana görüntü modalitelerinde U-net başarılı sonuçlar vermektedir. Ayrıca, U-net büyük ölçüde bölütleme görevlerinde kullanılsada, diğer uygulamalarda da U-net kullanımının örnekleri bulunmaktadır. U-net'in tıp ve diğer alanlarda kullanım potansiyeli her geçen gün artmaktadır. Mimari olarak U-net ve çeşitlerinin kullanıldığı tıbbi alandaki çalışmalar incelendiğinde en çok çalışılan alan beyin, en çok çalışılan görüntüleme yöntemi ise MR olarak karşımıza çıkmaktadır. MR tekniğinde, güçlü bir manyetik alan ortamında radyofrekans dalgaları aracılığıyla görüntü oluşturulmaktadır. Radyasyon içermeyen ve hastaya herhangi bir ilaç verilmeyen MR tekniği, yumuşak dokuların görüntülemesinde kullanılmaktadır. MR Görüntüleme, vücudun anatomisini ve fizyolojisini araştırmak, kas ve eklem hastalıkları ve anormalliği içeren patolojileri, tümörleri, iltihaplanma ve inme gibi nörolojik durumları, kalp ve kan damarlarındaki anormallikleri tespit etmek için radyolojide sıkça kullanılmaktadır. Yetişkinlerde beyinde en çok rastlanan, kansere sebep olan ve ölüm oranı fazla tümör çeşiti glial tümörlerdir. Glial tümörlerden biri olan gliomlar erişkinlerde primer beyin tümörlerinin %75'ini oluşturur. Güvenilir bölütleme algoritmaları hekimlere doku ve yapıları nicel olarak inceleme imkânı vererek beyin ile ilgili hastalıkları teşhis ve analiz etmede yardımcı olabilmektedir. Ancak beyin dokularının iç içe ve karışık şekli, türdeş olmayan yoğunluk dağılımı, belirsiz sınırları, gürültülü yapısı ve komşu beyin dokuları arasındaki düşük zıtlık sebebiyle beyin dokularının bölütlenmesi çok zorlayıcı bir görevdir. Söz konusu glial tümörler olduğunda aktif ve nekrotik (ölü) bölümler barındıran tümörün çok türlü yapısından dolayı bölütleme işlemi daha da karmaşıklaşmaktadır. Tüm glial tümörlerde ölü ve aktif bölümler arasında belirgin bir sınır olmamakta ve tümörlerin bazılarında nekrotik bölümler varolmaktayken bir kısmında bulunmaması da bölütlemeyi güçleştirmektedir. Literatürde U-net mimarileri, bahsedilen zorlukların üstesinden gelerek başarılı bir şekilde beyin glioma tümörlerinin segmentasyonununda kullanılmıştır. Bu incelemede son yıllarda U-net mimarileri kullanılarak beyin MR görüntüleri üzerinde BRATS veri setleri glioma tümör segmentasyonu yapan çeşitli çalışmalar derlenmiş ve bunlar hakkında karşılaştırmalı bilgiler sunulmuştur.

The U-Net Approaches to Evaluation of Dental Bite-Wing Radiographs: An Artificial Intelligence Study

“…Conversely, the U-Net architecture segmentation can be successfully performed on images using a limited amount of training data. Therefore, in our study, we used U-Net architecture, which is frequently used in image segmentation in the medical field [37].…”

“…According to Khan et al [41], in their study, they compared the diagnostic performance of four different deep learning architectures for the diagnosis of dental caries, alveolar bone recession, and inter radicular radiolucencies. As a result, they determined that the U-Net architecture and another deep learning system derived from this architecture gave the most successful results [37]. In this study, we used the U-Net architecture to develop our artificial intelligence model.…”