Three-dimensional (3d) liver tumor detection with deep learning
Derin öğrenme ile üç boyutlu (3b) karaciğer tümör tespiti
- Tez No: 793543
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgisayarlı tomografi (BT) görüntülerinde her kesitte meydana gelen şekil, sınır ve yoğunluk değişiklikleri nedeniyle karaciğerin segmentasyonu zor bir işlemdir. Bu çalışmada, karın BT taramalarından karaciğer ve karaciğer tümörlerinin bilgisayar destekli otomatik bölütlenmesi için konvolüsyonel sinir ağları tabanlı Unet ve Inception modellerinin hibritleşmesinden meydana gelen Adding Inception Module-Unet (AIM-Unet) modeli önerilmiştir. Bir tanesi bu tez çalışması için özel olarak hazırlanmış, diğer üçü (CHAOS, LiTS ve 3DIRCADb) halka açık olan toplam dört farklı karaciğer BT görüntü veri seti üzerinde deneysel çalışmalar yapılmıştır. Önerilen yöntem kullanılarak elde edilen sonuçlar ve uzman tarafından işaretlenen bölütleme sonuçları, Zar benzerlik katsayısı (DSC), Jaccard benzerlik katsayısı (JSC) ve doğruluk (ACC) ölçüm parametreleri ile karşılaştırılmıştır. Bu çalışmada, karaciğer görüntülerini içeren veri kümeleri (LiTS, CHAOS ve veri setimiz) önerdiğimiz AIM-Unet modeli ile ayrı ayrı eğitildi. Karaciğer bölütlemesi için en iyi DSC, JSC ve ACC performans ölçümlerini sırasıyla %97.86, %96.10 ve %99.75 ile CHAOS veri setinden elde edildi. Ayrıca, önerilen model LiTS ve 3DIRCADb veri setlerinde tümör bölütlemesi için sırasıyla %75,6 ve %65,5 DSC değeri olarak hesaplandı ve AIM-Unet modeli ile veri kümeleri üzerindeki bölütleme başarı sonuçları önceki çalışmalarla karşılaştırıldı. Bu sonuçlarla bu çalışmada önerilen yöntemin karaciğer segmentasyonu ve karaciğer tümörlerinin tespiti için hekimlerin karar verme süreçlerinde yardımcı bir araç olarak kullanılabileceği görülmüştür. Bu çalışma medikal görüntüler için faydalı olup, geliştirilen model farklı organ ve diğer medikal alanlardaki uygulamalar için kolaylıkla geliştirilebilir.
Özet (Çeviri)
The segmentation of the liver is a difficult process due to the changes in shape, border, and density that occur in each section in computed tomography (CT) images. In this study, the Adding Inception Module-Unet (AIM-Unet) model, which is a hybridization of convolutional neural networks-based Unet and Inception models, is proposed for computer-assisted automatic segmentation of the liver and liver tumors from CT scans of the abdomen. Experimental studies were carried out on four different liver CT image datasets, one of which was prepared for this study and three of which were open (CHAOS, LITS, and 3DIRCADb). The results obtained using the proposed method and the segmentation results marked by the specialist were compared with the Dice similarity coefficient (DSC), Jaccard similarity coefficient (JSC), and accuracy (ACC) measurement parameters. In this study, we obtained the best DSC, JSC, and ACC liver segmentation performance metrics on the CHAOS dataset as 97.86%, 96.10%, and 99.75%, respectively, of the AIM-Unet model we propose, which is trained separately on three datasets (LITS, CHAOS, and our dataset) containing liver images. Additionally, 75.6% and 65.5% of the DSC tumor segmentation metrics were calculated on the proposed model LITS and 3DIRCADb datasets, respectively. In addition, the segmentation success results on the datasets with the AIM-Unet model were compared with the previous studies. With these results, it has been seen that the method proposed in this study can be used as an auxiliary tool in the decision-making processes of physicians for liver segmentation and detection of liver tumors. This study is useful for medical images, and the developed model can be easily developed for applications in different organs and other medical fields.
Benzer Tezler
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar
Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security
YUSUF ETKA KÖYLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOCAARSLAN
- Dinamik manyetik rezonans görüntüleme ve ultrason kontrast ajanlı power doppler ultrasonografi ile meme lezyonlarında benign ve malign ayrımı
Başlık çevirisi yok
FAİK SUNGURLU
Tıpta Uzmanlık
Türkçe
2002
OnkolojiMarmara ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ.DR. ERKİN ARIBAL
- Hepatik vasküler(Hepatik arteryal,venöz ve portal venöz) varyasyonların çok kesitli BT ile değerlendirilmesi
Evaluation of hepatic vascular (Hepatic arterial and venous, portal venous) variations by means of multislice computed tomographic scanning
ESİN CIBIROĞLU
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpMarmara ÜniversitesiZootekni Bölümü
PROF. DR. DAVUT TÜNEY
- Capture and release of biomolecules and cancer cells via smart materials integrated microfluidic chips
Akıllı malzemeler entegre edilen mikroakışkan çiplerde biyomoleküllerin ve nadir kanser hücrelerinin yakalanması ve salınması
KUTAY SAĞDIÇ
Yüksek Lisans
İngilizce
2022
Biyoteknolojiİhsan Doğramacı Bilkent ÜniversitesiMalzeme Bilimi ve Nanoteknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH İNCİ