Abdomen BT görüntülerinde pankreas segmentasyonu için yeni bir derin öğrenme yaklaşımı: Pascal U-Net

Abstract

Günümüzde derin öğrenme modellerinin medikal görüntü işlemede kullanımı hız kazanmıştır. Özellikle kesit görüntülerinden organ segmentasyonu üzerine gerçekleştirilen çalışmalarda derin öğrenme yöntemleri sıklıkla tercih edilmektedir. Abdomen bölgesinde yer alan pankreas, her insanda şekil, konum ve büyüklük bakımından farklı olduğundan segmentasyonu oldukça zorlayıcıdır. Bu problemin çözümünde literatürde genellikle derin öğrenme modellerinden biri olan U-Net modeli tercih edilmektedir. Bu tez çalışmasında, pankreas segmentasyonu için Pascal üçgenindeki sayı dizilimine uygun bir mimariye sahip ve U-Net modelini temel alan yeni bir derin öğrenme modeli önerilmiştir. Önerilen bu model Pascal U-Net modeli olarak isimlendirilmiştir ve modelin başarımı iki farklı veri seti üzerinde değerlendirilmiştir. İlk olarak halka açık ve literatürde sıklıkla kullanılan bir veri seti olan The Cancer Imaging Archive Pankreas-BT veri setinden yararlanılmıştır. Ayrıca ikinci veri seti olarak Selçuk Üniversitesi Tıp Fakültesi Hastanesi Radyoloji Bölümü'nden alınan abdomen BT görüntüleri kullanılmıştır. Veri setlerindeki kayıtlardan her hasta için bir kesit görüntüsü seçilmiş ve önişleme yöntemleri uygulanarak derin öğrenme ağları için veri setleri oluşturulmuştur. Pascal U-Net modeli ile her iki veri seti üzerinde elde edilen pankreas segmentasyon sonuçlarının karşılaştırılması için, aynı veri setleri üzerinde U-Net modeli ile de segmentasyon işlemi gerçekleştirilmiştir. 2, 4 ve 6 katlı çapraz doğrulama ve 1'den 10'a kadar farklı yığın sayılarında çalıştırılan derin öğrenme modelleri sonucunda elde edilen segmentasyon haritaları, 7 farklı performans metriği kullanılarak değerlendirilmiştir. Her bir yığın sayısı ve farklı kat çapraz doğrulama ile gerçekleştirilen pankreas segmentasyonu sonuçları, 10 kez çalıştırma sonuçlarının ortalamasıdır. Hem U-Net hem de Pascal U-Net segmentasyon sonuçları 7 farklı metrik ve görsel değerlendirmeler temel alınarak analiz edilmiştir. Sonuçlar incelendiğinde; her iki veri setinde de Pascal U-Net modeli, geleneksel U-Net mimarisine karşı Dice Benzerlik Katsayısı metriği bakımından yaklaşık %1'lik bir değer ile üstünlük göstermiştir.

Nowadays, the use of deep learning models in medical image processing has gained momentum. Especially in studies on organ segmentation from slice images, deep learning methods are frequently preferred. Since the pancreas, located in the abdominal region, differs in shape, location and size in each person, its segmentation is quite challenging. To solve this problem, the U-Net model, which is one of the deep learning models, is generally preferred in the literature. In this thesis, a new deep learning model based on the U-Net model with an architecture suitable for the number sequence in Pascal's triangle has been proposed for pancreatic segmentation. This proposed model is named Pascal U-Net model and the performance of the model is evaluated on two different data sets. First, The Cancer Imaging Archive Pancreas-CT dataset, which is a publicly available and frequently used dataset in the literature, was used. In addition, abdominal CT images taken from the Department of Radiology at Selcuk University Medical Faculty Hospital were used as the second data set. A slice image was selected for each patient from the records in the datasets and datasets for deep learning networks were created by applying preprocessing methods. In order to compare the pancreatic segmentation results obtained on both data sets with Pascal U-Net model, segmentation process was also performed on the same data sets with the U-Net model. Segmentation maps obtained as a result of 2, 4 and 6 fold cross validation and deep learning models run on different batch sizes from 1 to 10, were evaluated using 7 different performance metrics. Pancreas segmentation results performed with each batch size and different fold cross validation are the average of 10 run results. Both U-Net and Pascal U-Net segmentation results were analyzed based on 7 different metrics and visual evaluations. When the results are examined; in both data sets, Pascal U-Net model outperformed traditional U-Net architecture with a value of approximately 1% in terms of Dice Similarity Coefficient metric.