Beyin damar görüntülerinde dallanma ve uç noktalarin derin öğrenme yöntemleri ile tespiti

Mikroskopi teknolojilerindeki gelişmeler, biyomedikal araştırmalarda önemli bir yer edinmiş ve özellikle nöroloji gibi karmaşık biyolojik sistemlerin incelenmesinde kritik bir rol oynamıştır. Beyin damarlarının doğru ve etkin bir şekilde görüntülenmesinin, nörogörüntüleme alanında önemli yeri vardır. Beyin damarlarının yapısal bütünlüğündeki bozulmalar, nörolojik hastalıkların ortaya çıkmasına yol açabilir. Bu nedenle, damar yapılarının dallanma noktaları ve uç noktalarının doğru tespiti, hastalıkların tanısı ve tedavisinde kritik bir rol oynar. Ancak geleneksel görüntü işleme yöntemleri, artan algoritmik karmaşıklık ve görüntü boyutu nedeniyle sınırlamalar taşımaktadır. Bu tez çalışması, beyin damarlarının iki boyutlu (2B) mikroskop görüntülerinde dallanma ve uç noktalarının tespiti için derin öğrenme tabanlı bir nesne tespiti yöntemi geliştirmeyi ve bu yöntemin hiperparametre optimizasyonunu gerçekleştirmeyi amaçlamaktadır. Laboratuvar ortamında elde edilen fare beyni dilimlerinin ham görüntüler ön işleme süreci işletilerek nesne tespiti yöntemleri için uygun hale getirilmiştir. BM3D algoritması ile gürültü temizleme, üçgen eşikleme yöntemi ile segmentasyon ve 2B inceltme algoritması ile iskelet çıkarma adımlarından geçirilmiştir. Elde edilen dallanma ve uç noktaları, 5x5 piksel boyutunda sınırlayıcı kutularla etiketlenmiş ve COCO formatına dönüştürülmüştür. Daha sonra, Detectron2 çerçevesinde dört farklı derin öğrenme nesne tespiti algoritması kullanılarak modeller eğitilmiş ve bu modellerin performansları Birleşimin Kesişime Oranı (Intersection over Union (IoU)) metriği ile değerlendirilmiştir. Bazı modellerde %90'ın üzerinde bir başarı oranı elde edilmiştir. Ancak model performansını daha da artırmak için, Bayesci Optimizasyon yöntemi kullanılarak hiperparametre optimizasyonu gerçekleştirilmiştir. Bu yöntem sayesinde model doğruluğu %98'in üzerine çıkarılmıştır. Optimizasyon işlemini otomatikleştirmek için optuna kütüphanesinden faydalanılmıştır. Tezde ayrıca, Python ile geliştirilen BrainVasculyzer isimli yazılım da geliştirilmiştir. Bu yazılım, beyin damarlarının otomatik analizini sağlayan kullanıcı dostu bir arayüz sunmakta ve mevcut analiz programları ile karşılaştırılarak performansı değerlendirilmiştir. BrainVasculyzer, damarların uzunluğu, dallanma ve uç noktaları gibi bilgileri otomatik olarak çıkarıp görselleştirilmektedir. Bu tez çalışması, derin öğrenme ve hiperparametre optimizasyonunun nörogörüntüleme alanında önemli ilerlemeler sağladığını ve beyin damarlarının analizinde büyük bir potansiyele sahip olduğunu ortaya koymaktadır. Anahtar kelimeler: Derin öğrenme, Beyin damar analizi, Hiperparametre optimizasyonu, Nesne tespiti, Görüntü işleme, Dallanma ve uç noktaları tespiti