Optimizing the accuracy of tumor segmentation in PET for radiotherapy planning using blind deconvolution method
Radyoterapi planlaması için PET tümör segmentasyon doğruluğunun kör dekonvolüsyon metodu ile optimize edilmesi
- Tez No: 546475
- Danışmanlar: DOÇ. DR. ALBERT GÜVENİŞ
- Tez Türü: Doktora
- Konular: Radyoloji ve Nükleer Tıp, Mühendislik Bilimleri, Radiology and Nuclear Medicine, Engineering Sciences
- Anahtar Kelimeler: Görüntü bölütleme, Görüntü restorasyonu, Hedef bölütleme, Pozitron emisyon tomografi, Radyoterapi-bilgisayar yardımlı, Image segmentation, Image restoration, Target segmentation, Positron-emission tomography, Radiotherapy-computer assisted
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyomedikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tümör segmentasyon doğruluğu, radyoterapinin etkinliğini büyük ölçüde etkiler. Segmentasyon doğruluğunun artması, sağlıklı dokuları korurken hedef hacime en yüksek radyasyon dozunu sağlamak için önemlidir. Bu tez, PET tümör segmentasyon hatalarını minimize edebilecek bir yöntem sunmayı amaçlamaktadır. Bu nedenle, tümör bölgelerinde, Kontrast-Gürültü oranları ile parametreleri optimize edilen kör dekonvolüsyon metodu kullanılmıştır. 3-boyutlu görüntüler üzerinde dekonvolüsyon öncesinde yeniden örnekleme yapılmıştır. Gerçek tümör hacimleri bilinen, üç veri seti üzerinde (fantom, klinik PET görüntüleri içerisine yerleştirilmiş küçük tümörler ve simüle edilmiş klinik PET görüntüleri), çeşitli otomatik bölütleme algoritmaları test edilmiştir. Kullanılan tümörlerin hacimleri, üç veri seti için sırasıyla 0.49-26.34 cc, 0.64-1.52 cc ve 40.38-203.84 cc arasında değişmektedir. Görüntü işlemede yaygın olarak kullanılan MATLAB, MIPAV ve ITK-SNAP yazılımları kullanılmı¸stır. Ölçülen ortalama hacim hataları, sınıflandırma tekniğine sahip aktif kontur segmentasyon metodu ile fantomun tüm lezyonları için ortalama %95.85'ten %3.37'ye, klinik PET görüntüleri içerisine yerleştirilmiş simüle geometrik lezyonlar için %815.67'den %17.45'e ve büyük lezyonlara sahip klinik PET görüntüleri için %32.61'den %6.80'e düşmüştür. Tümör temelli dekonvolüsyon metodunun kullanımıyla hesaplama süresi ortalama 10 kattan fazla azalmıştır. Kontrast-Gürültü oranı ve tümör dayalı dekonvolüsyon, farklı boyutlardaki homojen ve heterojen tümörler için segmentasyon doğruluğunu geliştirme potansiyeline sahiptir. İyileştirme, küçük tümörler için çok önemlidir. Algoritma, tüm görüntünün dekonvolüsyonuna göre düşük hesaplama süresi sağlamakta ve yaygın olarak kullanılan yazılım araçları ile uygulanabilmektedir.
Özet (Çeviri)
Tumor segmentation accuracy greatly affects the effectiveness of radiotherapy procedures. Maximizing the segmentation accuracy has high medical significance in order to deliver the highest radiation dose to the target volume while protecting the healthy tissues. This dissertation aims to present an optimized method to minimize errors in the automated segmentation of tumors in PET images. Blind deconvolution was implemented in a region of interest encompassing the tumor with an iteration number determined from Contrast-to-Noise Ratios. The images were resampled. Several automatic segmentation algorithms were tested on three datasets: phantom, simulated geometric lesions inserted in real images, and simulated clinical images with real heterogeneous tumors for which ground truth was known. The volumes of the tumors were 0.49-26.34 cc, 0.64-1.52 cc, and 40.38-203.84 cc respectively for the three datasets. The widely available software tools MATLAB, MIPAV, and ITK-SNAP were used. With the use of the active contour with classification technique, the mean errors were reduced from 95.85% to 3.37%, from 815.63% to 17.45%, and from 32.61% to 6.80% for all the lesions of the phantom dataset, the simulated dataset, and the large lesions of the clinical PET dataset respectively. The computational time was reduced by a factor of more than 10 by the use of region of-interest-based deconvolution. Contrast-to-Noise Ratio and Region-of-Interest based deconvolution have the potential to improve delineation accuracy for different sizes of homogeneous and heterogeneous tumors. Improvement is very important for smaller tumors. The algorithm may provide reduced computational time with respect to full deconvolution and can be implemented using widely available software tools.
Benzer Tezler
- Yüksek süratli teknelerde aynakıçın tekne performansına etkileri
Başlık çevirisi yok
KAYA TÜMER
Yüksek Lisans
Türkçe
1997
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı Ana Bilim Dalı
DOÇ. DR. MUSTAFA İNSEL
- Optimizing the structures of glyceric acid molecule by modern optimization technique
Modern opimizasyon teknikleri ile glyceric acid molekülün yapisıni optimize etme
GHASSAN QADERI
Yüksek Lisans
İngilizce
2016
MatematikSüleyman Demirel ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. AHMET ŞAHİNER
- Optimizing the thermal performance of highrise office buildings in Istanbul by taking passive house approach
Başlık çevirisi yok
NESLİHAN KORKMAZ
- Kalman süzgeci parametrelerinin eniyilenmesinde zeki optimizasyon tekniklerinin başarımlarının incelenmesi
Analyzing the success of intelligent optimizing tecniques on optimizing kalman filter parameters
TAYYİP ÖZCAN
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BAŞTÜRK
- Optimization of the Atabey pipe irrigation network by using SUFEN network software
SUFEN şebeke yazılımı kullanarak Atabey borulu sulama şebekesinin optimizasyonu
WALEED ALHENDI
Yüksek Lisans
İngilizce
2019
İnşaat MühendisliğiAtılım Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP DARAMA