Deep learning approaches for segmentation of biomedical images

Bu tez çalışması, biyomedikal görüntü segmentasyonunun tanısal süreçlerdeki kritik rolünden hareketle, derin öğrenme tabanlı modellerin potansiyelini üç farklı ve zorlu tıbbi alanda araştırmaktadır. Üç farklı klinik senaryoda yürütülen çalışmalarda, sırasıyla; intraoral kamera görüntülerinden mikrobiyal dental plak, MR görüntülerinden düşük dereceli glioma tümörler ve PET/BT görüntülerinden prostat bezi segmentasyonu gerçekleştirilmiştir. Her bir problem için derin öğrenme mimarileri ile klasik bilgisayarlı görü yöntemleri karşılaştırılmış; hiperparametre optimizasyonları yapılarak adil bir değerlendirme zemini oluşturulmuştur. Bulgular, derin öğrenme modellerinin her üç alanda da klasik yöntemlere ezici bir üstünlük sağladığını tutarlı bir şekilde göstermiştir. Özellikle, diş plağı segmentasyonunda U-Net Transformer modelinin, üç uzman diş hekiminden istatistiksel olarak anlamlı düzeyde daha başarılı sonuçlar elde etmesi, bu teknolojinin klinik potansiyelini vurgulamaktadır. Benzer şekilde, düşük dereceli glioma için UNet++ ve prostat segmentasyonu için Attention U-Net mimarileri en yüksek performansı sergilemiştir. Grad-CAM ve Saliency Map ile açıklanabilirlik teknikleri ile bu yüksek skor veren modellerin karar mekanizmalarının hedeflenen anatomik bölgelere doğru odaklandığı doğrulanmış ve modelleri, kara kutu algısının ötesine taşımıştır. Bu tez, farklı tıbbi görüntüleme modalitelerinde probleme özgü önerilen derin öğrenme çözümlerinin, hem otomasyonu sağlayarak verimliliği artırma hem de uzman performansını aşarak tanısal doğruluğu iyileştirme gücünü kanıtlamaktadır.