LEE- Biyomedikal Mühendisliği-Yüksek Lisans

Bu koleksiyon için kalıcı URI

http://hdl.handle.net/11527/19219

Gözat

Yazar "Yıldırım, İsa" ile LEE- Biyomedikal Mühendisliği-Yüksek Lisans'a göz atma
  • Öge
    1H-MRSI of the deep gray matter structures in patients with amyotrophic lateral sclerosis
    (Graduate School, 2024-08-19) Torlak, Meryem ; Yıldırım, İsa ; Işık Öztürk, Esin ; 504211408 ; Biomedical Engineering
    Amyotrophic Lateral Sclerosis (ALS) is a life-threatening disease that causes degeneration in nerve cells in the brain and spinal cord. In ALS patients, voluntary control of the arms and legs are affected. Currently, there is no cure for ALS. The primary goal of treatment is to manage symptoms to the greatest extent possible. Magnetic Resonance Spectroscopy (MRS) is employed to assess the concentration of metabolites in specific brain regions. This method has not been fully explored to understand the metabolic deficits in individuals diagnosed with ALS. It is crucial to understand the metabolic effects of ALS through various brain regions, particularly at the deep gray matter structures. 1H-MRSI data for 30 ALS patients, with a mean age of 57.8±9.55 years (17 females, 13 males) and 27 healthy controls, with a mean age of 48.44±10.5 years (16 females, 11 males) were acquired using a clinical 3T Siemens magnetic resonance imaging (MRI) scanner equipped with a multivoxel semi-LASER (sLASER) sequence (TR=1700ms, TE=40ms, VOI=10x10x15 mm3). In this study it is aimed to assess the metabolic differences between ALS patients and healthy controls (HC) at the thalamus, putamen, caudate and white matter regions. To achieve this, multivoxel magnetic resonance spectral data from ALS patients and HC were analyzed and metabolites Glx, GSH, tNAA, tCho, and Tau, as well as their ratio to tCr were quantified using LCModel. A Cramer-Rao lower bound (CRLB) threshold of less than 30 was employed to identify properly fitted metabolites. The metabolite peak ratios at the thalamus, putamen, caudate, and white matter regions were then compared between these two groups. A Wilcoxon signed-rank test was used to detect statistically significant differences in metabolite peak ratios between the left and right hemispheres at the thalamus, putamen, caudate, and white matter regions. The Mann-Whitney rank-sum test was used to evaluate metabolite peak ratio differences between ALS patients and healthy controls at some deep gray matter structures and white matter. MNI152 brain atlas was consulted to define the thalamus, putamen, and caudate regions. In conclusion, in this study, it was observed that ALS patients had a higher tCho/tCr ratio at the putamen compared to HC. Additionally, there was a trend for a lower Glx/tCr ratio at the left putamen of ALS patients compared to HC. ALS patients also showed a trend towards higher tCho/tCr and GSH/tCr ratios at the left caudate compared to HC. In ALS patients, higher Glx/tCr ratios were observed in the right thalamus and putamen compared to the left side. A trend towards a lower Glx/tCr ratio at the right caudate of ALS patients was observed compared to the left side. Additionally, ALS patients showed a lower tNAA/tCr ratio at the right caudate compared to the left side. In HC, higher Glx/tCr ratios were observed at the right thalamus compared to the left side. A trend towards higher tNAA/tCr and Glx/tCr ratios at the right putamen and right white of HC compared to the left sides were also observed. In this study, metabolic alterations were detected at the deep gray matter regions associated with executive function and behavior. Results of this study showed increased gliosis because of increased tCho/tCr ratio in ALS patients, a response to oxidative stress because of elevated GSH/tCr ratio in ALS patients, and deficiency in glutamate within these structures in individuals with ALS. The results of this study can contribute to a deeper understanding of ALS. Moreover, the findings obtained from this study suggest that MRS is a significant diagnostic and monitoring tool for neurodegenerative diseases such as ALS.
  • Öge
    Bilgisayarlı mikro tomografi tarama izdüşümlerinin farklı cebirsel geri çatma yöntemleri ile analizlerinin incelenmesi
    (Lisansüstü Eğitim Enstitüsü, 2022) Külüşlü, Göker ; Yıldırım, İsa ; 723191 ; Biyomedikal Mühendisliği Programı
    Medikal görüntüleme yöntemleri, özellikle klinikte hastalıkların tanı ve teşhisinde, tedavi sürecinin takibinde ve hatta girişimsel operasyonlar sırasında da süreç takibi için sıklıkla kullanılmaktadır. Hastalıkların tanı ve teşhisinde hızlı, güvenilir ve girişimsel olmayan bu görüntüleme yöntemleri ile iyonize ya da iyonize olmayan ışınlar kullanılarak hastanın istenilen bölgesine ait yüksek çözünürlükte görüntüler elde edilmektedir. Uzun yıllardır kullanılan ve kullanımı giderek artan medikal görüntüleme yöntemlerinden biri olan Bilgisayarlı Tomografi(BT), incelenen bir nesnenin 3 boyutlu yapısını iyonize X-ışınları kullanarak, radyasyonun farklı bölgelerde farklı tutulumlar göstermesiyle kesitleri yeniden oluşturmak için kullanılan bir görüntü yöntemidir. Yeniden yapılandırma, nesnenin etrafındaki birçok açıdan ölçülen 2 boyutlu X-ışını projeksiyonlarından oluşturulmuştur. BT sisteminin performansı, en çok X-ışını kaynağı ve X-ışını görüntülerini elde etmek için kullanılan dedektör olmak üzere birçok faktör tarafından belirlenir. Klinikte kullanılan görüntüleme yöntemleri, özellikle biyolojik ve tıbbi amaçlar için insan vücudunun görüntülenmesinde kullanılsa da destekleyici araştırma grupları tarafından da test ve analiz cihazı olarak tercih edilmektedir. Bu kapsamda kullanılan Mikroskopik Bilgisayarlı Tomografi (Mikro-BT) cihazı sağlık bilimleri, fen ve mühendislik bilimlerinde uzun yıllardır önemli çalışmalarda yer almaktadır[6]. Micro-BT taraması ile elde edilen 2B veya 3B kesit görüntülerini oluşturan pikseller, mikro boyutta olduğundan bir malzemenin iç yapısını malzemeye hiçbir zarar vermeden 3B görüntülerinin elde edilmesine ve bu görüntüler üzerinden analizlerin yapılmasına olanak sağlamaktadır. Bu özelliklerinden dolayı da Mikro-BT, hem canlı örneklerin hem de farklı karakteristik özelliklere sahip katı veya sıvı örneklerin incelenmesinde sıklıkla tercih edilen bir yöntem olmaktadır. Mikro-BT'lerin özellikle canlılar üzerinde yumuşak doku ve kemik dokuların görüntülenmesinde ve analizlerinin yapılmasında, metal ve alaşımlarının veya kompozit malzemelerin incelenmesi gibi farklı konularda kullanım alanlarının olduğu bilinmektedir. BT görüntülerinin yeniden yapılandırılması, hastaya bir çok farklı açılarda gönderilen ve elde edilen X ışını verilerini görüntüye dönüştüren matematiksel bir işlemdir. Görüntü yeniden yapılandırılması görüntü kalitesi üzerinde ve işlem esnasında uygulanacak X-ışını dozu üzerinde temel etkiye sahiptir. Kesit görüntülerinin elde edilmesi iki temel yeniden yapılandırma yöntemi mevcuttur.
  • Öge
    Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde bulanıklığın giderilmesi
    (Lisansüstü Eğitim Enstitüsü, 2023-09-25) Aydın, Müberra ; Yıldırım, İsa ; 504201409 ; Biyomedikal Mühendisliği
    Her yıl binlerce kişinin ölümüne neden olan kanserin teşhisinde, tümörün doğru lokalizasyonu tedavi süreci için hayati önem taşımaktadır. Hastalığın erken teşhisi, kanserli dokunun büyümesini ve daha fazla dokuya yayılmasını önlemek için çok önemlidir. Tıbbi görüntüleme teknikleri, kanserin erken teşhisine önemli katkı sağlamaktadır. Kadınlarda kansere bağlı ölüm oranlarında en yüksek paya sahip olan meme kanserinin erken teşhisinde de görüntüleme teknolojilerinden yararlanılmaktadır. Özellikle 40 yaş üstü kadınların kendilerini kontrol etmeleri ve ailelerindeki kanser öyküsüne bağlı olarak düzenli taramalardan geçmeleri önerilmektedir. Bu tarama işlemlerinde yaygın olarak mamografi kullanılmakla birlikte, dijital meme tomosentezi (DBT) kullanımı da giderek yaygınlaşmaktadır. Mamografi iki boyutlu (2B) görüntüler oluştururken, DBT üç boyutlu (3B) görüntüler oluşturur. DBT, mamografide üst üste binme nedeniyle gizli kalmış lezyonların teşhisini mümkün kılmaktadır. Ayrıca taramanın farklı açılarda yapılması, oluşturulan görüntülerle yanlış pozitif oranlarını azaltılmasını sağlamaktadır. Taramaların sınırlı açılarla gerçekleştirilmesi, önlenemeyen hasta hareketleri ve dedektör odaklama aşamasındaki aksaklıklar DBT görüntülerinde bulanıklık artefaktlarına neden olabilmektedir. Bulanıklık etkisi, görüntü kalitesini gözle görülür şekilde düşürerek uzmanın görüntüdeki anormallikleri fark etme olasılığının da düşmesine sebep olmaktadır. Bahsi geçen dezavantajların azaltılması için, farklı modalitelerde çeşitli görüntü restorasyon teknikleri uygulanmaktadır. Bu çalışmada, DBT görüntülerinde tanısal doğruluğu azaltan bulanıklık etkisinin önüne geçebilmek için bir derin öğrenme modeli önerilmektedir. Temel gerçek görüntülere erişimin mevcut olmaması veya zor bulunması nedeniyle, model denetimsiz olarak tasarlanmıştır. Önerilen modelin eğitimi için kanser görüntüleme arşivinden alınan ve 5060 hastaya ait normal, işlem yapılabilir, biyopsi ile kanıtlanmış iyi huylu ve biyopsi ile kanıtlanmış kanser olarak etiketlenmiş görüntüleri içeren Meme Kanseri Taraması-Dijital Meme Tomosentezi (BSC-DBT) veri seti kullanılmaktadır. İşlemci kapasitesinin az olması ve dicom görüntülerin saklanması için çok fazla bellek gerekmesinden ötürü görüntüler png uzantılı olarak kaydedilmektedir. Biçimleri değiştirilen görüntüler ilk olarak kontrast uyarlamalı adaptif histogram eşitleme (CLAHE) ve yeniden boyutlandırma işlemlerini içeren bir ön işleme sürecine tabi tutulmaktadır. Veri setinden seçilen 2600 görüntü eğitim verisi, 350 görüntü validasyon verisi ve 260 görüntü ise test verisi olarak ayrılmıştır. Seçilen verilere farklı seviyelerde kernel boyutları ve sigma değerleri ile Gaussian bulanıklık filtreleri uygulanmıştır. AE (Autoencoder) ve GANs (Generative Adversarial Networks) modellerinin art arda kullanılması ile tasarlanan bu model 2B konvolüsyon, batch normalizasyon, LeakyReLU aktivasyonu, MaxPool ve Dropout katmanlarını içermektedir. Tasarlanan model, bulanık görüntüyü temel alarak orijinal görüntüyü yeniden oluşturmayı amaçlar. Bulanık görüntü, gerçek dünya uygulamalarında yaygın olarak bulunan düşük kaliteli veya bozulmuş görüntülerin modellenmesi amacıyla kullanılmaktadır. Önerilen modelin başarısı kontrast-gürültü oranı (CNR), ortalama mutlak hata (MAE) ve yapısal benzerlik indeksi (SSIM) ve uzman radyolog tarafından yapılan yorumlar ile değerlendirilmiştir. Nicel değerlendirmeler sonucunda bulanıklıktan arındırılan görüntülerin, bulanık görüntülere kıyasla orijinal görüntülere daha benzer olduğunu ortaya koymaktadır. Hem nicel sonuçlar hem de nitel değerlendirmeler, önerilen modelin DBT görüntülerindeki bulanıklaştırma artefaktlarını ele almada oldukça umut verici olduğunu ve bunun da teşhis doğruluğunu artırmasının beklenebileceğini göstermektedir.
  • Öge
    Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde gürültünün giderilmesi
    (Lisansüstü Eğitim Enstitüsü, 2023) Özcan, Osman Alpcan ; Yıldırım, İsa ; 833551 ; Biyomedikal Mühendisliği Bilim Dalı
    Meme kanseri, kadınlarda en yaygın kanser türüdür ve genellikle süt bezi dokusu hücrelerinin kontrolsüz ve aşırı çoğalması sonucu ortaya çıkar. Erken aşamada teşhis edilmezse ölümcül hale gelebilir. Erken aşama teşhisinde en çok tercih edilen görüntüleme yöntemi olan mamografi, 2 boyutlu (2D) bir görüntüleme yöntemidir. 2D yöntemler doğaları gereği bir projeksiyondan görüntü oluştururlar ve bu, dokuların üst üste binmesi nedeniyle yanlış pozitif ve yanlış negatif oranlarının artmasına yol açar; bu oranın artması da ölüm oranlarını artırır. Bu durumu önlemek için 3D görüntüleme yöntemleri önerilmiş ve kullanımları artmıştır. Dijital meme tomosentezi (DBT), 3 boyutlu (3D) bir görüntüleme yöntemi olarak tercih edilir. DBT, sınırlı açılarda alınan projeksiyonlarla birlikte 3D bir görüntü oluşturur ve düşük radyasyon dozlarıyla çalışır. 2D görüntülemede oluşan dokuların üst üste binmesi sorunu aşılmış ve böylece dokular daha ayırt edilebilir hale gelmiş ve radyologların erken teşhis oranları artmıştır. Ancak, DBT görüntülerinde sınırlı açı ve düşük radyasyon dozu nedeniyle her projeksiyonun gürültü içereceği ve gürültünün rekonstrüksiyon görüntüsünde artmış şekilde görüneceği kaçınılmazdır. Gürültü giderimi için birçok matematiksel yöntem önerilmiş ve belirli bir ölçüde başarılı oldukları gözlemlenmiştir, ancak hala tatmin edici bir performans sağlama konusunda eksiklikleri vardır. Yapay zekâ ve derin öğrenme ağlarının gelişimi ve yaygınlaşmasıyla birlikte, tıbbi görüntü işleme alanında kullanımı da artmıştır. Bu bağlamda, derin öğrenme ağları, tıbbi görüntülerde bir gürültü giderici olarak mekânsal düzenleyicilere alternatif olarak önerilmiştir. Bu çalışmada, bir denetimsiz gürültü giderici sinir ağı, DBT görüntüleri üzerinden gürültüleri ortadan kaldırmak için geliştirilmiştir. Önerilen yöntemin performansını analiz etmek için iki farklı veri seti kullanılmıştır. İlk veri seti kanser görüntü arşivinden BSC-DBT (Meme Kanseri Taraması- Dijital Meme Tomosentezi) veri setidir. Bu veri seti, normal, aksiyon alınması gereken, biyopsi ile kanıtlanmış iyi huylu ve biyopsi ile kanıtlanmış kanser olarak etiketlenmiş 5060 hasta içermektedir. Görüntüler dilimler halinde 2 boyutlu olarak kullanılmıştır. Her kategoriden eşit ve toplam verilerin %70 eğitim verisi, %15 validasyon verisi ve %15 test verisi olacak şekilde belirlenmiştir. Bu veri setine ek olarak DBT-2D Phantom veri seti kullanılmıştır. Toplamda 2148 veri ve yine görüntüler iki boyutlu dilim görüntüsü olacak şekilde veri setinin %70'i eğitim verisi %15'i validasyon verisi ve %15 test verisi olarak organize edilmiştir. Düşük doz ve dar açı kaynaklı en belirgin gürültü şekilleri Gaussian ve Poisson gürültüleri olması sebebiyle gürültü giderici hedefi bu iki gürültü olarak belirlenmiş ve eğitim parametreleri bu gürültülerin giderilmesi üzerine belirlenerek eğitim tamamlanmıştır. Önerilen modelin başarısını değerlendirmek için CNR (kontrast-gürültü oranı), PSNR (zirve sinyal gürültü oranı) ve SSIM (yapısal benzerlik indeksi) metrikleri kullanılmıştır. Çalışma sırasında matematiksel yöntemler ile önerilen modelin başarısı metrikler üzerinde kıyaslanmış ve çalışmanın sonucunda önerilen denetimsiz gürültü giderici ağ ile belirlenen metriklerdeki iyileşmenin daha üstün olduğu gözlemlenmiştir. Görüntülerdeki niteliksel iyileşme, önerilen modelinin oldukça umut verici olduğunu göstermektedir.
  • Öge
    Detection of liver fibrosis on slide-level labeled unstained biopsies by quantitative phase imaging and multiple instance learning
    (Graduate School, 2023-02-14) Çelebi, Lütfi, Kadir ; Yıldırım, İsa ; 504191412 ; Biomedical Engineering
    In recent years, advances in artificial intelligence (AI) have had a great impact in medicine, particularly in diagnostic fields such as radiology and pathology. In this context, the recognition and detection of important patterns in medical data can be made with AI, which can improve diagnostic processes, automate and make them more accurate and efficient, as well as increase sensitivity and consistency. One area where AI has great potential is digital pathology (DP), which is increasingly replacing traditional histopathological examination. In DP, tissue slides are turned into high-quality digital images and it is very convenient to perform detection, segmentation and classification tasks using AI on these data. On the other hand, biopsy specimens are stained for imaging with contrast in conventional pathology and current digital pathology. However, these methods have disadvantages such as staining errors, color differences due to different stain reagent manufacturers and different staining conditions. Quantitative phase imaging (QPI) is a very suitable method to overcome these disadvantages. Biological samples used in classical microscope examination are very thin and poorly absorb and scatter light. Therefore, no contrast occurs during imaging without staining, ie they are transparent. Whereas conventional bright field imaging measures only the amplitude, OPI allows measurement of both amplitude and phase information of the sample. Thus, transparent samples can be imaged with high contrast via QPI without any staining. QPI has great potential for use in cell biology, imaging of red blood cells, and diagnosis of diseases by histopathological examination, such as cancer. Fourier Ptychography (FP) microscopy is a computational imaging technique that can perform QPI. FP combines two classical optical techniques, Phase Retrieval and Aperture Synthesis, to obtain a complex image (amplitude and phase) of the sample by iteratively combining low-resolution images illuminated from different angles in Fourier space. FP provides two advantages: 1- It provides high resolution images while maintaining a wide field of view (FOV), 2- It acquires quantitative phase information without using complex optical interference techniques. In this study, the aim was to detect liver fibrosis using Attention-based Deep Multiple Instance Learning (MIL) from phase images of liver biopsies obtained by FP microscopy. In this framework, very large liver biopsy phase images are divided into patches and fed to the model, and the model infers healthy or diseased states at the biopsy image level. Also, the attention layer used in this architecture ensures that different attention weights are assigned to each patch in each biopsy image. Thus, besides classification at the biopsy image level, the most significant patches on the slide leading to the positive label can be found. Thus, it can provide support to the pathologist in the detection of disease-related tissue regions. One of the aims of this study is to try to eliminate the subjectivity and inconsistency of traditional histopathological examination due to staining using QPI. Another aim of the study is to train a deep learning model to accurately diagnose liver fibrosis through the MIL framework with only biopsy-level labeling without any local labeling by the pathologist on phase images of liver biopsies. In addition, the attention mechanism ensures that areas of high diagnostic value are found. Thus, this approach has the potential to overcome some of the limitations of AI in medical diagnosis, such as interpretability and explainability. Phase images of liver biopsies with FP were obtained with high contrast and high resolution. As a result of deep learning studies on these data, an average of 88% accuracy was achieved and the most important patches were detected by the deep learning model. It was confirmed by the pathologist that these regions were associated with fibrosis. The results of this study show that FP and Attention-based MIL are very promising for digital pathology.
  • Öge
    Self-supervised deep convolutional neural network training for low-dose CT reconstruction
    (Graduate School, 2022) Ünal, Mehmet Ozan ; Yıldırım, İsa ; 504181414 ; Biomedical Engineering Programme
    Computed tomography (CT) is a medical imaging technique to obtain a noninvasively three-dimensional image of the body. CT imaging is one of the most crucial tools which is used for monitoring the human body and diagnosing serious illnesses. In CT imaging, one of the most serious concerns has been ionizing radiation since exposure to large amounts of radiation can cause serious illnesses. Various low-dose CT reconstruction approaches have been proposed to reduce the dose level without compromising image quality. With the emergence of deep learning, the increasing availability of computational power, and huge datasets, data-driven methods have recently gotten a lot of attention. Deep learning-based methods have also been applied in various ways to address low-dose CT reconstruction problem. However, the success of these methods is usually dependent on labeled data, which requires tedious work by radiologists for CT imaging. Recent studies, however, have also shown that training may be done successfully with noisy datasets without the requirement of noise-free target data. In this study, a training scheme is defined to use low-dose projections as their own training targets. We apply the self-supervision principle in the projection domain where the noise is element-wise independent, which is a requisite for self-supervised training methods. The parameters of a denoiser neural network are optimized through self-supervised training. Experiments are done with both analytical and human CT data. Slices from deep lesion dataset for human CT data and ellipses dataset for synthetic data are used. To simulate low-dose settings, 64 views parallel beam geometry is used. The noisy projections are created with additive white Gaussian noise with 30, 33, and 37 dB SNR values. The proposed method is compared with FBP, SART, SART+TV, SART+BM3D, and the supervised FBP+U-Net method. The methods are compared quantitatively with PSNR and SSIM metrics, and the reconstructions are qualitatively assessed regarding background smoothness, the sharpness of the details, and the recoverability of the lesions with some visual examples. In the comparisons, it is shown that the proposed method outperforms both traditional and compressed sensing-based iterative reconstruction methods in the reconstruction of analytic CT phantoms and real-world CT images in the low-dose CT reconstruction task, both qualitatively and quantitatively. Besides, it produces comparable results with the supervised approach.
  • Öge
    Skin lesion classification with machine learning
    (Graduate School, 2023) Sendel, Esra ; Yıldırım, İsa ; 783838 ; Biomedical Engineering Programme
    Skin lesions are the part of the skin that has an abnormal structure and appearance compared to the surrounding areas. While some skin lesions cause only a physically bad appearance, some may have cancer features. Nowadays, skin cancer is one of the most extensive cancers among humans. Therefore, the correct detection of cancerous lesions is of great importance in the treatment of skin cancer. Skin cancers are basically divided into two main types, melanoma which is dangerous, and non-melanoma. The low contrast between the lesioned and non-lesion areas in the images of melanoma skin cancers requires expertise in the application of diagnostic methods and involves relativity among dermatologists. In addition, it is very difficult to automatically analyze human skin due to geographical and climatic effects, roughness, tonal diversity, hair and many other complex structures, and low contrast problem. However, a successful automatic analysis system to be created will help dermatologists to diagnose and speed up the process. Technology advancements have made it possible for doctors to diagnose skin cancer from dermatoscopic images using computer-aided diagnosis techniques, such as deep learning and machine learning models. In this study, image processing and machine learning techniques were used to classify skin lesions. In image processing, different mathematical algorithms have been applied to increase image quality. After an image preprocessing stage, which includes filtering the unwanted pixels in the images, image segmentation was performed using the watershed method and the lesioned regions were separated. Then, based on the ABCDT rule, feature extraction was performed with the lesions, asymmetry, border irregularity, color, diameter, and texture analysis. Texture analysis was performed based on Haralick texture properties. Finally, classification was performed with softmax regression, k-nearest neighbor (KNN), and support vector machines (SVM) algorithm. Standard performance measures called accuracy, precision, recall, and F1-score values are used to evaluate the results of the methods used for classification. When the results obtained from the classifiers are compared, it has been observed that the accuracy of the SVM classifier is higher than the softmax regression and k-nearest neighbor (KNN) algorithm. Keywords: Skin lesion, skin cancer, image processing, ABCDT analysis, machine learning, support vector machine algorithm, softmax regression, k-nearest neighbor algorithm.