Böbrek tümörlerinin derin öğrenme yoluyla segmentasyonu
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dünya çapında her yıl yüz binlerce insana böbrek kanseri teşhisi konulmaktadır. Böbrek kanseri özellikle gelişmiş ve sanayileşmiş ülkelerde daha yaygın olarak görülmektedir. Günümüzde böbrek kanseri tanısı alan hastaların yaklaşık %30'u maalesef metastatik hastalık aşamasında (uzak organlara yayılmış) iken fark edilmektedir. Böbrek tümörleri, ileri yaştaki insanlar da görülme olasılığı daha yüksek olan bir kanser türüdür. Bu nedenle yaşamın ilerleyen dönemlerinde dikkatli olmak ve tanısal testler yaptırmak son derece önemlidir. Tıbbi görüntüleme ve derin öğrenme yöntemleri bu anlamda giderek daha önemli hale gelmektedir. Bu sebeple doktorların tümörleri başarılı bir şekilde fark edebilmesine yardımcı olacak derin öğrenme modellerinin geliştirilmesi büyük önem taşımaktadır. Bununla birlikte, böbrek ve prostat gibi, kanser tespiti nispeten zor olan yumuşak doku organları için başarılı sistemler oldukça azdır. Böbrek hastalıklarının bilgisayar destekli tedavi planlamasında segmentasyon önemli bir süreçtir. Doğru segmentasyon elde etmek için genellikle derin öğrenme tabanlı çalışmaların yapılması gerekir. Yapılan tez çalışmasında, böbrek tümörleri ile mücadele eden uzman kişilere yardımcı olunabilmesi için mevcut U-Net ve V-Net modelleri geliştirmiş ve yeni modeller önerilmiştir. Bilindiği üzere segmentasyonun zor olduğu pek çok durumda çoğunlukla U-Net ve V-Net tabanlı modeller kullanılmaktadır. Tez çalışmasında ise U-Net ve V-Net modellerinin üstün özelliklerini kullanarak daha iyi sonuçlar üretebilen yeni modeller önerilmiştir. Önerilen modeller, daha önce uygulanmamış kodlayıcı ve kod çözücü aşamalarında iyileştirmelerle daha başarılı bir sistemi temsil etmektedir. Yeni modellerin, özellikle böbrek ve böbrek tümörü segmentasyonuna odaklanan hekimlere yardımcı olabileceği düşünülmektedir. Önerilen her iki model de segmentasyonda mevcut görüntüleme modellerine göre daha iyi performans göstermiş, esnek yapısı ve uygulanabilirliği sayesinde tüm sistemlere kolayca entegre edilebilir şekilde hazırlanmıştır. Bu amaçla geliştirilmiş U-Net modeli böbrek ve tümörleri için sırasıyla %97,8 ve %85,6, Hibrit V-Net modeli ise sırasıyla %97,7 ve %86,5'lik ortalama zar katsayısına ulaşmıştır. Her iki modelde mevcut sonuçlar doğrultusunda yumuşak doku organ segmentasyonu için güvenilir bir yöntem olarak rahatlıkla kullanılabilir.
Kidney cancer is a common disease, especially in developed and industrialized countries. Since renal tumors, noticed in the metastatic stage (spread to distant organs) in nearly 30% of patients with kidney cancer, are more likely to develop in the elderly, it is necessary to be cautious and to provide diagnostic tests for people of advanced age Medical imaging and deep learning methods are increasingly becoming more important in this sense. However, not many successful systems exist for soft-tissue organs such as the kidney and prostate, where tumors are relatively difficult to detect. Segmentation is an important process in the computer-aided treatment planning of kidney diseases. For this reason, deep learning-based studies are often required to achieve correct segmentation. As U-Net /V-Net- based models are mostly used for many difficult segmentation processes, this study focused on new models designed with the superior features of the existing U-Net and V-Net models. The proposed hybrid models represent more successful systems with improvements to the encoder and decoder stages that were not previously implemented. We believe that physicians who focus specifically on kidney and kidney tumor segmentation will find these new models helpful. The new models performed better than existing imaging models in segmentation and were prepared to be easily integrated into all systems thanks to their flexible structure and applicability. The hybrid U-Net model developed in this study reached average Dice coefficients of 97.8% and 85.6% for kidney and tumor segmentation, respectively. The Hybrid V-Net model designed here showed average Dice coefficients of 97.7% and 86.5% for kidney and tumor segmentation, respectively. Both architectures proved to be reliable methods for soft tissue organ segmentation.
Kidney cancer is a common disease, especially in developed and industrialized countries. Since renal tumors, noticed in the metastatic stage (spread to distant organs) in nearly 30% of patients with kidney cancer, are more likely to develop in the elderly, it is necessary to be cautious and to provide diagnostic tests for people of advanced age Medical imaging and deep learning methods are increasingly becoming more important in this sense. However, not many successful systems exist for soft-tissue organs such as the kidney and prostate, where tumors are relatively difficult to detect. Segmentation is an important process in the computer-aided treatment planning of kidney diseases. For this reason, deep learning-based studies are often required to achieve correct segmentation. As U-Net /V-Net- based models are mostly used for many difficult segmentation processes, this study focused on new models designed with the superior features of the existing U-Net and V-Net models. The proposed hybrid models represent more successful systems with improvements to the encoder and decoder stages that were not previously implemented. We believe that physicians who focus specifically on kidney and kidney tumor segmentation will find these new models helpful. The new models performed better than existing imaging models in segmentation and were prepared to be easily integrated into all systems thanks to their flexible structure and applicability. The hybrid U-Net model developed in this study reached average Dice coefficients of 97.8% and 85.6% for kidney and tumor segmentation, respectively. The Hybrid V-Net model designed here showed average Dice coefficients of 97.7% and 86.5% for kidney and tumor segmentation, respectively. Both architectures proved to be reliable methods for soft tissue organ segmentation.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
