Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde gürültünün giderilmesi

Abstract

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.