LEE- Biyomedikal Mühendisliği Lisansüstü Programı
Bu topluluk için Kalıcı Uri
Gözat
Konu "derin öğrenme" ile LEE- Biyomedikal Mühendisliği Lisansüstü Programı'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeDenetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde bulanıklığın giderilmesi(Lisansüstü Eğitim Enstitüsü, 2023-09-25) Aydın, Müberra ; Yıldırım, İsa ; 504201409 ; Biyomedikal MühendisliğiHer 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.