GELİŞMİŞ DERİN ÖĞRENME YÖNTEMLERİ İLE POLİP TESPİTİ VE TAKİBİ

Abstract

Kolorektal kanser, başlarda kalın bağırsağın mukus tabakasında bir polip olarak görülmekte ve tedavi edilmediğinde zamanla kansere dönüşmektedir. Son yıllarda bir milyona yakın vaka sayısı ile dikkat çeken kolorektal kanser ölümcül ve agresif kanser türleri arasında gösterilmektedir. Kalın bağırsak polipleri başta iyi huylu olsalar da erken teşhis edilerek kontrol altına alınıp tedavi edilmediği takdirde zamanla kötü huylu bir kansere dönüşebilmektedir. Bu tez çalışmasında kalın bağırsak poliplerinin otomatik tespit ve takibinin yapılması amaçlanmıştır. Derin öğrenme yöntemleri kullanılarak poliplerin otomatik tespit edilmesi ve nesne takip algoritmaları ile takibinin gerçekleştirilebilmesi problemi üzerinde durulmuştur. Polip tespiti için son yıllarda öne çıkmış derin öğrenme yöntemlerinden biri olan Faster R-CNN modeli kullanılmıştır. Nesne tespit modeli eğitimi Tensorflow Object Detection API ile gerçekleştirilmiştir. Nesne tespit modelinin eğitiminde yeni ve mevcut veri setlerinden 4 kat daha büyük olan LDPolypVideo veri seti kullanılmıştır. Polip takibi içinse nesne takip algoritmalarından biri olan kalman filtresi kullanılmıştır. Eğitmiş olduğumuz nesne tespit modeli %86,37'lik mAP değeri ile kabul edilebilir bir başarı elde etmiştir. Eğitilmiş nesne tespit modeli ile gerçekleştirilen testlerde modelimizin polipleri tespit edip sınırlayıcı kutular ile işaretlediği görülmüştür. Nesne tespiti ile birlikte uygulanan nesne takip yöntemi iler de poliplerin etiketlenerek takibinin yapılabildiği görülmüştür. Bu tez çalışması ile yeni bir kolonoskopi veri setinde derin öğrenme yöntemleri kullanılarak otomatik polip tespiti gerçekleştirilmiştir. Elde edilen sonuçlar bu alandaki çalışmalara bir örnek olma niteliği taşımaktadır.Colorectal cancer is initially seen as a polyp in the mucus layer of the large intestine and, if left untreated, turns into cancer over time. Colorectal cancer, which has attracted attention with the number of cases close to one million in recent years, is shown among the deadly and aggressive cancer types. Although colon polyps are benign at first, they can turn into malignant cancer over time if they are not diagnosed and treated early. In this thesis, it is aimed to make automatic detection and follow-up of large intestine polyps. The problem of automatic detection of polyps by using deep learning methods and tracking them with object tracking algorithms is emphasized. Faster R-CNN model, which is one of the deep learning methods that has come to the fore in recent years, has been used for polyp detection. Object detection model training was carried out with Tensorflow Object Detection API. The LDPolypVideo dataset, which is 4 times larger than the new and existing datasets, was used in the training of the object detection model. Kalman filter, which is one of the object tracking algorithms, was used for polyp tracking. The object detection model we trained achieved an acceptable success with an mAP value of 86.37%. In tests performed with the trained object detection model, it was observed that our model detected polyps and marked them with bounding boxes. It has been seen that the object tracking method applied together with the object detection can be followed by labeling the polyps in the future. In this thesis, automatic polyp detection was performed using deep learning methods in a new colonoscopy dataset. The results obtained serve as an example to the studies in this field.