Abdomen BT görüntülerinde pankreas segmentasyonu için yeni bir derin öğrenme yaklaşımı: Pascal U-Net

Günümüzde derin öğrenme modellerinin medikal görüntü işlemede kullanımı hız kazanmıştır. Özellikle kesit görüntülerinden organ segmentasyonu üzerine gerçekleştirilen çalışmalarda derin öğrenme yöntemleri sıklıkla tercih edilmektedir. Abdomen bölgesinde yer alan pankreas, her insanda şekil, konum ve büyüklük bakımından farklı olduğundan segmentasyonu oldukça zorlayıcıdır. Bu problemin çözümünde literatürde genellikle derin öğrenme modellerinden biri olan U-Net modeli tercih edilmektedir. Bu tez çalışmasında, pankreas segmentasyonu için Pascal üçgenindeki sayı dizilimine uygun bir mimariye sahip ve U-Net modelini temel alan yeni bir derin öğrenme modeli önerilmiştir. Önerilen bu model Pascal U-Net modeli olarak isimlendirilmiştir ve modelin başarımı iki farklı veri seti üzerinde değerlendirilmiştir. İlk olarak halka açık ve literatürde sıklıkla kullanılan bir veri seti olan The Cancer Imaging Archive Pankreas-BT veri setinden yararlanılmıştır. Ayrıca ikinci veri seti olarak Selçuk Üniversitesi Tıp Fakültesi Hastanesi Radyoloji Bölümü'nden alınan abdomen BT görüntüleri kullanılmıştır. Veri setlerindeki kayıtlardan her hasta için bir kesit görüntüsü seçilmiş ve önişleme yöntemleri uygulanarak derin öğrenme ağları için veri setleri oluşturulmuştur. Pascal U-Net modeli ile her iki veri seti üzerinde elde edilen pankreas segmentasyon sonuçlarının karşılaştırılması için, aynı veri setleri üzerinde U-Net modeli ile de segmentasyon işlemi gerçekleştirilmiştir. 2, 4 ve 6 katlı çapraz doğrulama ve 1'den 10'a kadar farklı yığın sayılarında çalıştırılan derin öğrenme modelleri sonucunda elde edilen segmentasyon haritaları, 7 farklı performans metriği kullanılarak değerlendirilmiştir. Her bir yığın sayısı ve farklı kat çapraz doğrulama ile gerçekleştirilen pankreas segmentasyonu sonuçları, 10 kez çalıştırma sonuçlarının ortalamasıdır. Hem U-Net hem de Pascal U-Net segmentasyon sonuçları 7 farklı metrik ve görsel değerlendirmeler temel alınarak analiz edilmiştir. Sonuçlar incelendiğinde; her iki veri setinde de Pascal U-Net modeli, geleneksel U-Net mimarisine karşı Dice Benzerlik Katsayısı metriği bakımından yaklaşık %1'lik bir değer ile üstünlük göstermiştir.