Derin öğrenme yöntemleri kullanılarak CT görüntüleri üzerinden damar segmentasyonu

Abstract

Aort, insan vücudundaki en önemli arter damardır ve kanın kalpten diğer tüm organlara taşınmasından sorumludur. Aortta görülen hastalıklardan damar kireçlenmesi, damar diseksiyon ve abdominal aort anevrizması hastalığı erken teşhis edilememesi halinde sonu ölümle sonuçlanabilmektedir. Günümüzde hekimler hastaların aort yapısını inceleyebilmesi için bilgisayarlı tomografi ve manyetik rezonans görüntüleme tekniklerini kullanmaktadır. Bu görüntüleme teknikleri aortun analizi, deforme olmuş bölgenin tespiti, ameliyat öncesi planlama ve ameliyat sonrası periyodik takibi için gereklidir. Tıbbi görüntüleme uygulamalarında bilgisayarlı tomografi görüntülerinde yer alan aort yapısının analizinde görüntü işleme teknikleri kullanılmaktadır. Bu teknikler ile üç boyutlu aort yapısının segmentasyonu bir hayli zordur. Son yıllarda derin öğrenme yöntemleri kullanılarak geleneksel yöntemlerle yapılan segmentasyon sorunlarının önüne geçilmektedir. Tez çalışmasında kontrastlı aort yapısının derin öğrenme yöntemleri kullanılarak segmentasyonu işlemi gerçekleştirilmiştir. Çalışmada ilk olarak iki boyutlu görüntü ve maskeler 256x256 olarak yeniden boyutlandırılmıştır. Ön işlemede görüntüler üzerinde pencere seviyesi ve normalizasyon işlemleri uygulanmıştır. Üç boyutlu bilgisayarlı tomografi görüntüleri ile U-Net, Attention U-Net, Inception U-Netv2 ve LinkNet modelleri eğitilmiştir. Eğitim sonucunda iki boyutlu maske çıktıları kesitlerin birleştirilmesi ile üç boyutlu hale getirilmiştir. Eğitim sonrasında elde edilen çıktılara küçük objelerin temizlemesi ve girdi görüntüsünün piksel aralığının ile merkez koordinat bilgilerinin maske taramasına aktarılarak üç boyutlu olarak görselleştirilmesi gerçekleştirilmiştir. Çalışma sonucunda DONGYANG veri setinde en yüksek başarı sonuçları Inception U-NEtv2 modelinde % 93.5 dice benzerlik katsayısı, % 87.8 Jaccard, % 92.8 özgüllük, %100 duyarlılık ve KıTS veri setinde ise en yüksek başarı Inception Unetv2 modelinde % 86.58 dice benzerlik katsayısı, % 79.78 Jaccard, % 83.18 özgüllük ve %100 duyarlılık değerleri elde edilmiştir.

The aorta is the most important artery in the human body and is responsible for carrying blood from the heart to all other organs. Diseases affecting the aorta, such as atherosclerosis, aortic dissection, and abdominal aortic aneurysm, can be fatal if not diagnosed early. Today, physicians use computed tomography and magnetic resonance imaging techniques to examine the structure of patients' aortas. These imaging techniques are necessary for analyzing the aorta, identifying deformed regions, and planning and monitoring surgery. In medical imaging applications, image processing techniques are used to analyze the structure of the aorta in computed tomography images. Segmentation of the three-dimensional aorta structure is quite challenging with these techniques. In recent years, deep learning methods have been used to overcome segmentation problems encountered with traditional methods. In this thesis, the segmentation of the contrast-enhanced aorta structure was performed using deep learning methods. First, two-dimensional images and masks were resized to 256x256. Window level and normalization operations were applied to the images during preprocessing. U-Net, Attention U-Net, Inception U-Netv2, and LinkNet models were trained using three-dimensional computed tomography images. After training, the two-dimensional mask outputs were combined to obtain a three-dimensional output. The obtained outputs were further processed by removing small objects and transferring the pixel range and center coordinate information of the input image to the mask scanning process, allowing them to be visualized in three dimensions. The highest success rates in the DONGYANG dataset were obtained with the Inception U-Netv2 model, with a 93.5 % dice similarity coefficient, 87.8 % Jaccard, 92.8 % specificity, and 100% sensitivity. The highest success in the KıTS dataset was achieved with the Inception U-Netv2 model, with an 86.58 % dice similarity coefficient, 79.78 % Jaccard, 83.18 % specificity, and 100 % sensitivity.