2-D X-ray anjiyogramlardan koroner arter ağacının 3-D yeniden yapılandırmasında yeni bir yaklaşım

Kardiyovasküler hastalıklar gelişmiş ve gelişmekte olan ülkelerde yaygın olup, dünyadaki tüm ölümlerin üçte birinden sorumludur. Bu yüzden vasküler hastalıkların doğru teşhisi, ölüm oranını azaltmada ve tüm dünyanın yaşam kalitesini artırmada kritik bir rol oynamaktadır. Koroner hastalıkların teşhisi için MRA, CTA, DSA gibi birçok görüntüleme yöntemi olmasına rağmen, X-Ray anjiyografi görüntüleme tekniği kliniklerde en çok kullanılan (altın standart) yöntem olarak karşımıza çıkmaktadır. Ancak, bu görüntüleme tekniği üç boyutlu (3B) yapıların iki boyutlu (2B) temsili ile sınırlı kalmakta ve doğru tanı büyük ölçüde kardiyologların tecrübesine dayanmaktadır. Bu bağlamda 3D görüntüleme teknolojileri, özellikle kan damarlarının görüntülenmesi ve nicelendirilmesinde doğru bir değerlendirme için objektif, operatörden bağımsız bir araç sunabilmektedir. Ayrıca bu teknoloji klinik kararlara rehberlik edebilme potansiyeline sahiptir. Bu nedenle, anjiyogramlardan otomatik ve doğru bir damar ağacı geriçatımının geliştirilmesi oldukça gereklidir. Literatürde, koroner arter ağaçlarının 3B geriçatımı için çeşitli yöntemler mevcuttur, ancak bu yöntemler analitik çözümler sunmakta ve epipolar geometri özelliklerinin kullanılabilmesi için kamera kalibrasyonuna veya öznitelik çıkarımlarına ihtiyaç duymaktadır. Bu yöntemlerden bazıları manuel yardım gerektirmektedir. Teknolojideki son gelişmeler ve öğrenmeye dayalı 3B geriçatım yöntemlerinde gösterilen büyük efor, nesnelerin herhangi bir kamera kalibrasyonuna veya öznitelik çıkarma adımlarına ihtiyaç duymadan da 3B modelinin oluşturulmasını sağlamaktadır. Bu tezde, X-Ray anjiyogramlarından koroner arter ağacının 3B geriçatımı için derin öğrenme mimarileri kullanarak uçtan uca tam otomatik bir yöntem geliştirilmiştir. Bu yöntem temelde 2 adım içermektedir: (1) kan damarı bölütlemesi ve (2) birinci bölümde bölütlenmiş damarların 3B geriçatımı. Kan damarı bölütlemesi için Sine-Net adlı yeni ve tamamen evrişimsel derin öğrenme mimarisi ve 3B geriçatım işlemi için birden fazla derin öğrenme mimarisi önerilmiştir. 3B geriçatım ağlarına giriş sinyali olarak ilk bölümde çıkarılan bölütlenmiş kan damarı görüntüleri verilmekte olup ve çıktı olarak 3B silindirik yapıları tutabilen bizim tanımladığımız bir veri yapısı bulunmaktadır. 3B tübüler şekillerin tutulmasını sağlayan veri yapısı literatürde yenidir. Derin öğrenme mimarilerinin eğitimi gerçekleştirilirken çok sayıda etiketlenmiş eğitim verisine ihtiyaç duyduklarından, 9 hastaya gerçek verilerden sentetik olarak çok sayıda 3B koroner damar ağacı ürettik. Daha sonra, bölütlenmiş damar görüntülerinin 3B modelini tahmin etmek için CNN, LSTM ve GRU tabanlı derin öğrenme mimarileri geliştirdik. Koroner arterlerin 3B geriçatımında 3B tübüler şekiller için tanımladığımız veri yapısının geçerliliğini ve önerdiğimiz yöntemi deneysel olarak doğruladık.