Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti

Beynin beyaz cevher kısmında meydana gelen anormalliklerin tespiti ve doğru bir şekilde sınıflandırılması, hastalıklara erken tanı koyularak oluşabilecek fiziksel ve bilişsel hasarın en aza indirilmesi açısından hayati önem taşımaktadır. Beyaz cevher hiperintensitesi (BCH) olarak adlandırılan anormalliklere, herhangi bir şikâyetten dolayı manyetik rezonans görüntüsü (MRG) çekilen sağlıklı bireylerde bile rastlanabilmektedir ve BCH oluşumlarının zararlı olup olmadığına karar verme noktasında hekimler ciddi zorluklar çekmektedir. Bu tez çalışmasında, manyetik rezonans (MR) görüntülerini otomatik tarayarak hekimlerin BCH tespiti ve bölütlemesi için işini kolaylaştıracak, yüksek başarıma sahip, derin öğrenme ağları ile gerçekleştirilmiş otomatik bir yaklaşım ortaya koyulmuştur. Çalışma iki kısımdan oluşmaktadır. Birinci kısımda BCH bölütlemesi için, semantik bölütleme yerine, hekimlerin karar verme süreçlerine daha fazla katkı sunabilen ve gelişmiş bir bölütleme yöntemi olan ancak BCH bölütlemesi gibi zor problemlerde yaygın olarak kullanılamayan örnek bölütlemesinin kullanılabileceği ortaya koyulmuştur. Yöntem olarak BCH'lerin örnek bölütlemesi ile otomatik olarak bölütlenmesi için geliştirilen ve çok sayıda hiper-parametre içeren Maske-Tabanlı Bölgesel Evrişimsel Sinir Ağı (Mask R-CNN) ince ayar yapılarak kullanılmıştır. Birisi bu tez çalışmasına özel oluşturulan tümör veriseti, diğer ikisi de erişime açık tümör ve multipl skleroz (MS) veri setleri olmak üzere üç farklı veriseti kullanılmıştır. Beyin tümörü ve MS veri setleri şeklinde iki BCH sınıfının ayrı ayrı ve birlikte eğitimi yapılmıştır. Tüm verilerin birlikte eğitilmesiyle elde edilen model ile verisetimizdeki BCH'ler, bütün sınıfların ortalama kesinliği (mAP) metriğine göre 0,94 değerindeki yüksek mAP skoru ile başarıyla saptanmıştır. Ayrıca kesinlik (PRC) ve dice benzerlik katsayısına (dice similarity coefficient, DSC) göre sırasıyla 0,86 ve 0,82 bölütleme başarımı elde edilmiştir. İkinci kısımda ise, karşılaştırmalı analiz için U-Net ve Mask R-CNN olmak üzere iki farklı derin öğrenme yöntemi kullanılmıştır. Kullanılan veri setlerinin daha geniş olması ve daha etkili sonuç veren veri artırım yaklaşımlarının uygulanması ile birlikte modelin başarımı ve genelleme yeteneği arttırılmış ve bu durum uygun ölçüm metrikleri ve kayıp fonksiyonları ile gösterilmiştir. Sonuçlar literatürdeki çalışmalarla karşılaştırıldığında, örnek bölütlemesi ile semantik bölütlemeye göre nispeten daha iyi bir başarım elde edilmiştir. DSC ve PRC ile birlikte, duyarlılık (recall, RC) ve kesinlik-duyarlılık değerlerinin harmonik ortalaması olan F1 metriği başarım değerlendirmesi için kullanılmıştır. İnme veriseti için; Mask R-CNN ile 0,93 DSC, 0,97 PRC, 0,98 RC ve 0,98 F1 başarım değerlerine; U-Net ile 0,92 DSC, 0,89 PRC, 0,95 RC ve 0,92 F1 başarım değerlerine ulaşılmıştır. BCH veriseti için ise; Mask R-CNN ile 0,83 DSC, 0,83 PRC, 0,73 RC ve 0,78 F1 başarım değerlerine; U-Net ile 0,82 DSC, 0,82 PRC, 0,83 RC ve 0,81 F1 başarım değerlerine ulaşılmıştır. Ayrıca farklı ağ konfigürasyonları için, eğitim-test süreleri ve başarım sonuçları kapsamlı bir şekilde karşılaştırılmış ve analizi yapılmıştır. Tez çalışması kapsamında yürütülen deneysel çalışmalarda, literatürdeki BCH bölütleme üzerine yapılmış çalışmalar ile bu çalışmanın sonuçları karşılaştırıldığında BCH bölütlemesinde ve tespitinde Mask R-CNN tekniğinin daha yüksek başarım elde edebildiği, daha büyük boyutlu veriseti ve daha güçlü donanım kullanımı ile başarım oranının daha da arttırılabileceği sonucuna ulaşılmıştır.