BEYİN ANEVRİZMALARINDA GÖRÜNTÜ İŞLEME VE DERİN ÖĞRENME YÖNTEMİ İLE KANAMALARIN TESPİTİNİN GELİŞTİRİLMESİ

Abstract

Serebral anevrizmalar, insan hayatını tehdit eden önemli bir hastalıktır. Bu anevrizmaların rüptür olması beyin arterlerinde kanamalara sebep olmaktadır. Klinik olarak serebral anevrizmaların tanısında bilgisayarlı tomografi anjiyografi (BTA) yaygın olarak kullanılmaktadır. Elde edilen BTA görüntülerinden kanama gerçekleşmeyen serebral anevrizmalar için kanama riskini belirlemek, hastalığın tedavi sürecinde nasıl bir yol izleneceği konusunda yardımcı olmaktadır. Bu tez çalışmasında, Fırat Üniversitesi Hastanesi'nde Beyin Cerrahi Polikliniği'nde tedavi gören hastaların BTA görüntüleri kullanılarak oluşturulan veri setinden, kişinin hasta veya sağlıklı olduğunu ayırt edebilmek için derin öğrenme mimarilerinden biri olan Evrişimli Sinir Ağları kullanılmıştır. Bunun sonucunda hastada anevrizma var olma durumu incelenmiştir. Bu şekilde radyoloji uzmanlarının BTA görüntülerini yorumlama hatalarını minimum seviyede tutulması sağlanmıştır. Bu model literatürde yaygın olarak tercih edilen programlama dili olan MatLAB programı kullanılarak geliştirilmiştir. Çalışmada ayrıca makine öğrenme algoritmaları kullanılarak, hastalara ait radyoloji raporları incelenmiştir. Böylece hastaların morfolojik ve hemodinamik özelliklerini içeren veri seti oluşturulmuştur. Kanama olmayan serebral anevrizmalı hastalar için hemodinamik özellikler yaş, cinsiyet, ek hastalık olarak sınıflandırılmıştır. Benzer şekilde anevrizmalı hastalar için morfolojik özellikler lokasyon, en, boy ve tür parametreleri incelenerek rüptür olma riski tahmin edilmiştir. Bu özelliklerin kanama riskinde anlamlı bir farklılık oluşturup oluşturmadığı incelenmiştir. Çalışmada elde edilen sonuçlara göre 3 hastaya ait radyoloji raporlarında rüptür olmadığı ifade edilmesine karşın makine öğrenme sınıflandırıcı modeline göre bu hastalarda rüptür oluşacağı öngörülmüştür. Hastalık öyküsü incelendiğinde ise farklı tarihlerdeki radyoloji rapor sonuçlarına göre bu 3 hastada anevrizmaların rüptür olduğu tespit edilmiştir.Cerebral aneurysms are an important disease that threatens human life. Rupture of these aneurysms causes bleeding in the brain arteries. Clinically, computed tomography angiography (CTA) is widely used in the diagnosis of cerebral aneurysms. Determining the bleeding risk for cerebral aneurysms that do not bleed from the CTA images obtained helps in determining how to proceed in the treatment process of the disease. In this thesis study, Convolutional Neural Networks, one of the deep learning architectures, were used to distinguish whether a person is unhealthy or healthy from the data set created using CTA images of patients treated at the Neurosurgery Polyclinic at Fırat University Hospital. As a result, the presence of an aneurysm in the patient was examined. In this way, radiologists' errors in interpreting CTA images were kept to a minimum. This model was developed using the MatLAB program, which is the widely preferred programming language in the literature. The study also examined radiology reports of patients using machine learning algorithms. Thus, a data set containing the morphological and hemodynamic characteristics of the patients was created. For patients with cerebral aneurysms without bleeding, hemodynamic characteristics were classified as age, gender, and comorbidities. Similarly, the risk of rupture was estimated for patients with aneurysms by examining morphological features, location, width, length and type parameters. It was examined whether these features made a significant difference in the risk of bleeding. According to the results obtained in the study, although it was stated that there was no rupture in the radiology reports of 3 patients, it was predicted that rupture would occur in these patients according to the machine learning classifier model. When the disease history was examined, it was determined that the aneurysms had ruptured in these 3 patients, according to the radiology report results on different dates.