DERİN ÖĞRENME TEKNİKLERİYLE BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDEN OTOMATİK KARACİĞER VE TÜMÖR SEGMENTASYONU

Abstract

Küresel Kanser Gözlemevi'nin (GLOBOCAN) 2020 istatistiklerine göre karaciğer kanseri en sık tespit edilen altıncı kanser türü olup, kansere bağlı ölümler arasında üçüncü sırada yer almaktadır. Buna rağmen, karaciğer kanseri ve lezyonlarının tespiti genellikle radyologlar tarafından manuel olarak yapılmaktadır. Bu manuel süreç, zaman alıcı, maliyetli ve insan değerlendirmelerinin öznelliğinden dolayı hatalara açıktır. CT taramaları, MRI'lar ve ultrason gibi tıbbi görüntüleme cihazlarından alınan görüntülerin kullanılarak karaciğer kanseri ve lezyonlarının tespitinin otomatikleştirilmesi, bilgisayarlı görmede önemli bir araştırma alanıdır. Bu tür otomatik sistemlerin düşük hata oranlarıyla uygulanması, tıbbi görüntü analizini standartlaştırarak uzmanlar arasındaki tutarsızlıkları ortadan kaldırabilir. Böylece, daha hızlı teşhis ve tedaviye olanak tanıyarak hastalığın ilerlemesini önler ve hasta iyileşme oranlarını artırır. Makine öğreniminin bir alt kümesi olan derin öğrenme, tıbbi görüntülemede, özellikle organların ve lezyonların konumlarını ve sınırlarını tespit etme ve sınıflandırma konusunda dikkate değer bir başarı göstermiştir. Popüler bir derin öğrenme mimarisi olan evrişimli sinir ağları (CNN'ler), tıbbi görüntü segmentasyonu ve sınıflandırmasında yüksek doğruluk elde etmiştir. CNN'lerin bir türevi olan U-Net gibi modeller bu yetenekleri daha da geliştirdi. Bu başarılar, derin öğrenme algoritmalarının tıbbi görüntü işlemedeki önemli zorlukları çözme potansiyelini vurgulamaktadır. Son gelişmeler arasında, birden fazla ölçekte ayrıntıları yakalayarak karmaşık görüntüleri bölümlere ayırmada üstün olan ve görüntüdeki farklı bölgeler arasında doğru sınırlar sağlayan DeepLabv3+ gibi modeller yer alıyor. DeepLabv3+, özelliklerin çözünürlüğünün korunmasına yardımcı olan genişletilmiş evrişimler kullanır ve bu da onu, doğru analiz için ayrıntıların korunmasının kritik olduğu tıbbi görüntüleme görevleri için çok uygun hale getirmektedir. Bu çalışmada, derin öğrenme yöntemleriyle tıbbi görüntü bölütleme algoritmalarının detaylı bir incelemesi sunulmaktadır. Veri seti eğitim işlemlerinden önce veri ön işlemesi konuları ele alınmaktadır. Son olarak, halka açık bir veri seti olan LiTS kullanılarak ResNet50, ResNet101, ResNeXt101_32x4d ve Efficientnet-b5 modelleri karın BT görüntüleri üzerinde DeepLabv3 segmentasyon mimarisi ile birlikte omurga ağları olarak uygulanmış ve sonuçlar analiz edilmiştir. Karaciğer segmentasyonunda en yüksek dice skoru 0.9674 ile ResNet101 modeli ile elde edilirken, tümör segmentasyonunda en yüksek dice skoru 0.7584 ile ResNeXt101_32x4d modeli ile elde edilmiştir. Bu çalışmanın yeniliği, hibrit algoritmaların kullanılmasıdır. Hibrit algoritmalar, farklı model ve tekniklerin bir araya getirilerek daha yüksek doğruluk ve verimlilik elde edilmesini sağlar. Bu yaklaşımlar, karaciğer tümörlerinin daha hassas ve doğru bir şekilde tespit edilmesine olanak tanır. Hibrit algoritmaların uygulanması, tıbbi görüntüleme ve kanser tespiti alanında önemli ilerlemeler sağlayarak, hasta bakımını ve tedavi sonuçlarını iyileştirmektedir.

According to 2020 statistics of the Global Cancer Observatory (GLOBOCAN), liver cancer is the sixth most frequently detected type of cancer and ranks third among cancer-related deaths. Despite this, detection of liver cancer and lesions is often done manually by radiologists. This manual process is time-consuming, costly, and prone to errors due to the subjectivity of human evaluations. Automating the detection of liver cancer and lesions using images from medical imaging devices such as CT scans, MRIs, and ultrasound is an important area of research in computer vision. Implementation of such automated systems with low error rates can eliminate inconsistencies between experts by standardizing medical image analysis. Thus, it allows faster diagnosis and treatment, preventing disease progression and increasing patient recovery rates. Deep learning, a subset of machine learning, has demonstrated remarkable success in medical imaging, particularly in detecting and classifying the locations and boundaries of organs and lesions. Convolutional neural networks (CNNs), a popular deep learning architecture, have achieved high accuracy in medical image segmentation and classification. Models such as U-Net, a derivative of CNNs, have further developed these capabilities. These achievements highlight the potential of deep learning algorithms to solve significant challenges in medical image processing. Recent developments include models such as DeepLabv3+, which excel at segmenting complex images by capturing details at multiple scales, providing accurate boundaries between different regions in the image. DeepLabv3+ uses extended convolutions that help preserve the resolution of features, making it well-suited for medical imaging tasks where preserving detail is critical for accurate analysis. In this study, a detailed review of medical image segmentation algorithms with deep learning methods is presented. Data preprocessing issues are addressed before data set training processes. Finally, using LiTS, a public dataset, ResNet50, ResNet101, ResNeXt101_32x4d and Efficientnet-b5 models were applied as backbone networks with DeepLabv3 segmentation architecture on abdominal CT images and the results were analyzed. While the highest dice score in liver segmentation was obtained with the ResNet101 model with 0.9674, the highest dice score in tumor segmentation was obtained with the ResNeXt101_32x4d model with 0.7584. The novelty of this work is the use of hybrid algorithms. Hybrid algorithms enable higher accuracy and efficiency to be achieved by combining different models and techniques. These approaches allow more sensitive and accurate detection of liver tumors. The application of hybrid algorithms is providing significant advances in the field of medical imaging and cancer detection, improving patient care and treatment outcomes.