BEYİN BT GÖRÜNTÜLERİNDEN İNME TEŞHİSİNE YÖNELİK DERİN ÖĞRENME TABANLI HEKİM KARAR DESTEK SİSTEMİ

Abstract

Anomalileri tespit eden, insan hatasını en aza indiren, doğru sonuçlar veren ve harcanan zamanı azaltan derin öğrenme modellerinden belli ölçüde yararlanılmaktadır. Özellikle radyoloji ve nöroradyoloji, üretilen büyük miktarda veri nedeniyle derin öğrenme modellerinin uygulanması için uygun alanlardır. Görüntü işleme kurallarının anlamlı bir şekilde uygulanarak tıbbi teşhis güvenilirliğinin sağlandığı en önemli alanlardan biri de tıbbi görüntülemedir. İnme, nörogörüntülemenin klinik yönetiminde önemli rol oynayan hastalıklardan biridir. Tüm dünyada önemli bir sağlık sorunu olan inme, yetişkinlerde fiziksel, sosyal, psikolojik ve ekonomik yıkıma neden olan sakatlık ve ölümlerin en önemli nedenlerinden biridir. İnmenin erken evrelerinde beyin sağlıklı beyin fonksiyonları gibi davrandığından erken teşhis zorlaşır. Uzman radyologlar bile inmenin başlangıç aşamasındaki bulguları gözden kaçırabilirler. İnmede zaman faktörü çok değerlidir. Bu nedenle tedavilerin etkili olabilmesi için semptomların başlaması ile birlikte bu tedavilerin mümkün olan en kısa sürede uygulanması gerekmektedir. Erken tedavi hayat kurtarır. Bu nedenle inme olgularında inmenin nedeninin (iskemik, hemorajik) ne olduğunun anlaşılması, kanamanın ekarte edilmesi, enfarktüs bölgesinin belirlenmesi, etiyoloji hakkında bilgi edinilmesi ve tedavi planlamasının yapılabilmesi için görüntülemeye ihtiyaç duyulmaktadır. Kontrastsız BT, inme şüphesi olan hastaların ilk değerlendirmesinde kullanılan birincil görüntüleme protokolüdür. Hızlı inme protokollerinin ilk adımı olan kontrast madde verilmeden elde edilen Beyin BT görüntülerinde inmenin patolojik tipinin belirlenmesine yönelik derin öğrenme çalışmaları oldukça sınırlıdır. Bu tez çalışması, kontrastsız beyin BT görüntülerinden inme lezyonlarının tespiti ve teşhisi için derin öğrenme tabanlı yeni bir otomatik segmentasyon ve sınıflandırma yaklaşımının etkisini göstermeyi amaçlamaktadır. Bu tez, 2015 ile 2020 yılları arasında yayınlanan derin öğrenme tabanlı Evrişimli Sinir Ağları kullanılarak beyin BT görüntülerinden inme tespiti, inme sınıflandırması ve patolojik inme tipinin segmentasyonu için belirli kriterlere göre filtrelenmiştir. Elde edilen görüntüler hemorajik, iskemik inme türü içeren hastalar ile BT görüntü bulguları normal olan hastalardan oluşmaktadır. İnme enfarktüs alanlarını saptamak için çeşitli görüntüleme yöntemleri kullanılabilir. Sınıflandırma sonuçlarının doğruluk oranı %94,75'tir. Deneyde AUC, %98.47'lik bir başarı oranı göstermiştir. Bu, modelimizin inme bulunan beyin BT sınıfı ile normal beyin BT sınıfı arasında ayrım yapabilme olasılığının %98,47 olduğu anlamına gelmektedir. Her biri 10 saniye süren 300 epoch sonucunda, önerdiğimiz segmentasyon modelimiz %83,32'lik bir doğrulama ortalama IoU skoruna ulaşmıştır. Bu tez kapsamında, sınıflandırma ve anlamsal bölütleme problemleri için elde edilen başarılı sonuçlar neticesinde beyin felcinin tespiti için bir hekim karar destek sistemi önerilmiştir.Deep learning models, which detect anomalies, minimize human error, provide accurate results and reduce time spent, are utilized to a certain extent. Especially radiology and neuroradiology are suitable fields for the application of deep learning models due to the large amount of data generated. One of the most important areas in which medical diagnosis reliability is achieved by applying image processing rules in a meaningful way is medical imaging. Stroke is one of the diseases in the clinical management of neuroimaging plays an important role. Stroke, which is a major health problem all over the world, is one of the most important causes of disability and mortality in adults, causing physical, social, psychological, and economic destruction. Early diagnosis becomes difficult as the brain behaves like healthy brain functions in the early stages of stroke. Even specialist radiologists may overlook the findings at the initial stage of stroke. The time factor is very valuable in stroke. Therefore, in order for the treatments to be effective, these treatments should be applied as soon as possible with the onset of symptoms. Early treatment saves lives. Therefore, imaging is needed in stroke cases in order to understand what the cause of stroke (ischemic, hemorrhagic) is, to rule out bleeding, determine the infarct area, obtain information about the etiology, and plan treatment. Non-contrast CT is the primary imaging protocol used in the initial evaluation of patients with suspected stroke. Deep learning studies on determining the pathological type of stroke on Brain CT images obtained without contrast agent administration, which is the first step of rapid stroke protocols, are very limited. This thesis aims to show the impact of a deep learning-based new approach to automatic segmentation and classification for the detection and diagnosis of stroke lesions from non-contrast brain CT images is proposed. This study provides have been filtered out based on specific criteria for stroke detection, stroke classification, and segmentation of the pathological type of stroke from brain CT images using deep learning-based Convolutional Neural Networks published in the period 2015 to 2020. The obtained images consist of hemorrhagic and ischemic strokes as well as patients with normal CT image findings. Various imaging modalities can be used to detect stroke infarct areas.The accuracy rate for classification results is 94.75%. In the experiment, the AUC showed a success rate of 98.47%. It means there is a 98.47% probability that our model will be able to distinguish between the brain CT class involving stroke and the normal brain CT class. As a result of 300 epochs, each lasting 10s, our proposed segmentation model reached a validation mean IoU score of 83.32%. In this thesis, a physician decision support system is proposed for the detection of brain stroke as a result of the successful results obtained for classification and semantic segmentation problems.