Bilgisayarlı Tomografi Görüntülerinde Derin Öğrenme Tabanlı Çoklu Organ Segmentasyonu

Abstract

Gelişen teknoloji ile birlikte sağlık alanındaki en önemli gelişmeler tıbbi görüntüleme teknikleri sayesinde gerçekleştirilmektedir. Vücudumuzun iç yapısının tıbbi görüntüleme teknikleri aracılığıyla detaylı olarak görüntülenmesi sonucu organların durumu hakkında bilgi edinilmektedir. Elde edilen bu görüntüler radyologlar tarafından değerlendirilir ve yorumlanır. Tıbbi görüntü analizinde öncelikli olarak organların ve dokuların tanınması hastalık teşhisi ve tedavi planlamasının ilk aşamasıdır. Fakat tıbbi görüntüler üzerinden organların tanınması oldukça zor ve zaman alıcı bir işlemdir. Bu çalışmada radyologlara yardımcı olması için karın bölgesine ait bilgisayarlı tomografi görüntüleri üzerinde birden fazla organın segmentasyonunu sağlayan bilgisayar destekli otomatik tanı sistemi gerçekleştirilmiştir. Derin Öğrenme modellerinin diğer bilgisayarlı görü alanlarında olduğu gibi segmentasyon alanında da yüksek başarı elde etmesi nedeniyle otomatik çoklu organ segmentasyon işleminde derin öğrenme yöntemi olan tam evrişimli bir sinir ağı kullanılmıştır. Bu çalışmada Vanderbilt Üniversitesinin çoklu organ segmentasyon yarışması (MICCAI 2015 Multi-Atlas Abdomen Labeling Challenge) için sağladığı veri seti kullanılmıştır. Veri setindeki dosyalar NIfTI formatında 3 boyutlu karın tomografi görüntüleridir. Bu görüntülerden HSV renk uzayında görüntü elde edilerek farklı renk uzaylarının birleştiren iki aşamalı 3D U-Net modelinin kullanıldığı füzyon bir yaklaşım önerilmiştir. Önerilen modelin değerlendirilmesi için Dice benzerlik katsayısı kullanılmıştır ve test işlemi sonucunda en yüksek Dice skorunun elde edildiği organ karaciğer ve en düşük skorun elde edildiği organ sol böbrek üstü bezi olarak bulunmuştur. Tüm organların ortalama doğruluk skoruna bakıldığında radyologlara yardımcı olması için gerçekleştirilen otomatik segmentasyon sisteminin başarılı ve umut verici olduğu görülmüştür.

With the evolving technology, the most significant advancements in the field of health are happened through medical imaging techniques. As a result of complicated and detailed imaging of the within structure of our body with help of medical imaging techniques, data about the state of the organs is received. These obtained images are read, rendered and interpreted by radiologists. Determination of organs and tissues in medical image analysis is the first step of disease diagnosis and cure planning. It is hard and time-consuming to recognize organs through increasing medical images. In this study, a computer-assisted automatic diagnosis system that provides segmentation of more than one organ on computed tomography images of the abdominal region has been implemented to assist radiologists. A fully convolutional neural network, which is a deep learning method of automatic multi-organ segmentation process, is used since Deep Learning models have accomplished high achievements in the segmentation field same as other computer vision fields. In this study, the data set published for the multi-organ segmentation contest (MICCAI 2015 Multi-Atlas Abdomen Labeling Challenge) from Vanderbilt University has been used. The files in this dataset are 3D abdominal tomography images in NIfTI format. A fusion approach is recommended using a two-stage 3D U-Net model that combines different color spaces by acquiring images in HSV color space from these images. Dice similarity coefficient was used to assess the proposed model, and the organ with the highest Dice score as a result of the test procedure was the liver and the organ with the lowest score was the left adrenal gland. Considering the average accuracy score of all organs, it was seen that the automatic segmentation system implemented to help radiologists is successful and promising.