Derin öğrenme mimarileri ile MR taramalarından omuriliğin otomatik bölütlenmesi ve MS lezyonlarının ayırıcı tanısı

İnsan omuriliği, merkezi sinir sisteminin oldukça organize ve karmaşık bir parçasıdır ve işlevi nöral sinyallerin beyinden (duyusal bilgi) periferik sinir sistemine (motor bilgisi) ve periferik sinir sistemden beyne iletilmesini sağlamaktır. MS (Multipl Skleroz), omurilikte meydana geldiğinde beynin, omuriliğin ve optik sinirin beyaz ve gri maddesini etkiler. MS hastalığının erken teşhisi, hastalığın ilerlemesini yavaşlatmak ve semptomların kontrol altına alınmasını sağlamak açısından büyük önem taşır. Erken dönemde doğru tedaviye başlamak, hastalığın daha ağır ataklar yapmasını engelleyebilir ve hastanın yaşam kalitesini artırabilir. Bu sayede, MS'in ilerlemesini durdurmak ya da yavaşlatmak mümkün olabilir. MS hastalığının teşhisinde klinik semptom/bulgular, beyin omurilik sıvısı incelemeleri, uyarılmış potansiyeller ve Manyetik Rezonans Görüntüleme (MRG) bulguları kullanılmaktadır. Özellikle, MRG'nin kullanımının yaygınlaşması ve bilgisayar destekli sistemlerin gelişmesi, MS hastalığının tanısı ve takibinde önemli katkılar sağlamıştır. Diğer taraftan, başta derin öğrenme modelleri olmak üzere, yapay zeka algoritmaları ile MR görüntülerinden omuriliğin bölütlenmesi ve omurilik bölgesinde MS lezyonları bulunup bulunmadığına dayanan çalışmalar da son yıllarda oldukça öne çıkmıştır. Ancak yine de, bu ve benzeri çalışmalar belli oranda başarıma ulaşmış olsalar da, veriseti boyutunun küçüklüğünden kaynaklı veri miktarının azlığı ve MS lezyonlarının oldukça küçük bir hacme sahip olması gibi nedenlerden dolayı yapılan çalışmalarda MS tespitinde başarımın düşük olduğu görülmektedir. Bu tez çalışmasında, derin öğrenme ile aksiyel ve sagital gibi farklı düzlemlerden alınan T2-ağırlıklı MR görüntüleri üzerinde servikal omurilik kesit alanı (OKA), ve beyin omurilik sıvısı (BOS) alanlarının bölütlenmesi ve omurilikte oluşan MS lezyonlarının ayırıcı tanısı gerçekleştirilmiştir. Çalışma kapsamında, öncelikle, Akdeniz Üniversitesi Hastanesinden temin edilen servikal omurilik bölgesi MR verileri ile servikal omurilik bölgesi/kesit alanı (OKA), BOS alanı ve omurilik sınırları içerisinde bulunan MS lezyonlarının bölütleme işlemlerini gerçekleştirmek için bir veriseti hazırlanmıştır. Bu veriseti üzerinde, U-Net mimarisi tabanlı geliştirilen olan FractalSpiNet, Con-FractalSpiNet ve Att-FractalSpiNet mimarileri kullanılarak, sagital ve aksiyel düzlemlerdeki MR görüntülerinde, omurilik ve beyin omurilik sıvısı alanlarının bölütlenmesi sağlanarak, omurilik sınırları içerisinde bulunan MS lezyonları da tespit edilmiştir. Ayrıca önerilen mimarilerle elde edilen sonuçlar, Att U-Net (Attention U-Net), Res U-Net (Residual U-Net) ve Att-Res U-Net (Attention Residual U-Net) olmak üzere karma mimariler ile de karşılaştırılmıştır. Tez çalışmasında, ayrıca hazırlanan servikal omurilik verisetinde bölütlenmesi istenen alanların maskeleme işlemleri için omurilik aksiyel OKA/BOS, omurilik aksiyel MS ve omurilik sagital MS veri alt grupları oluşturulmuştur. Hazırlanan servikal omurilik veriseti üzerinde omurilik alanının bölütlenmesi ve MS lezyonlarının tespit edilmesi için, model başarılarımlarını ölçmek için piksel benzerliği temeline dayanan DSC (Dice Similarity Coefficient), PRE (Precision) ve REC (Recall) metrikleri kullanılırken, hacimsel bazlı olarak VOE (Volumetric Overlap Error) ile RVD (Relative Volume Difference) ve mesafe bazlı olarak ASD (Average Surface Distance) ile HD95 (95th percentile Hausdorff Distance) metrikleri kullanılmıştır. Verisetinde ilk olarak omurilik aksiyel OKA/BOS alt veri grubu ile deneysel çalışmalar gerçekleştirilmiştir. Yapılan model eğitimleri sonunda OKA bölütlenmesi için Con-FractalSpiNet mimarisi ile %94.99 DSC skoru, BOS bölgesi için FractalSpiNet mimarisi ile %93.00 DSC skoru ve tüm omurilik bölgenin bölütlenmesi için FractalSpiNet kullanılarak %96.54 DSC skoru ile en yüksek başarımlar elde edilmiştir. Diğer omurilik aksiysl MS veri alt grubu üzerinde gerçekleştirilen eğitimler sonucunda ilk bölütleme bölgesi olan OKA için en başarılı sonuçlar Con-FractalSpiNet ve FractalSpiNet mimarileri ile sırasıyla %98.89, %98.88 DSC skoru elde edilirken, MS lezyonlarının tespit edilmesinde en başarılı sonuçlar Con-FractalSpiNet ve FractalSpiNet mimarileri ile %91.48 ve %90.90 DSC skorları ile başarılmıştır. Yine aynı veri alt grubunda, MS'siz omurilik alanının bölütlemesi için model eğitimleri sonucunda, en başarılı modeller Con-FractalSpiNet ve FractalSpiNet için sırasıyla %97.25 ve %97.17 DSC skorları elde edilmiştir. Omurilik sagital MS veri alt grubu üzerinde yapılan deneysel sonuçlar incelendiğinde, omurilik alanı ve MS'siz omurilik alanlarının bölütlemesi için gerçekleştirilen model eğitimleri sonucunda, Att-Res U-Net mimarisi ile sırasıyla %97.06 ve %95.16 DSC skorları elde edilirken, MS lezyonlarının tespit edilmesinde Con-FractalSpiNet kullanılarak %56.25 DSC skoru ile en başarılı sonuçlara ulaşılmıştır. Tüm sonuçlar değerlendirildiğinde, U-Net tabanlı önerilen FractalSpiNet mimarileri kullanılarak, servikal omurilik bölgesi ve bu bölgedeki MS lezyonlarının bölütlenmesinde, var olan çalışmalara göre oldukça rekabetçi sonuçlar edilmiştir.