Bilgisayarlı tomografi görüntlerinden derin öğrenme tabanlı karaciğer segmentasyonu

Karaciğer kaynaklı hastalıklara bağlı yüksek ölüm oranlarının mevcut olduğu günümüzde, tıbbi görüntüleme yöntemleriyle kısa sürede doğru teşhisin konulması büyük önem taşır. Her ne kadar bu görevi radyologlar ve onkologlar gerçekleştirmekte olsa da teşhisin bilgisayar destekli tanı yöntemleri ile otomatikleştirilmesi, teşhis süresinin kısalması, uzmanlar arası yorum farklarının önlenmesi ve tedavi aşamasına hızlı geçiş açısından ciddi fayda sağlayacaktır. Bu nedenle tıbbi görüntüleme yöntemlerinden biri olan bilgisayarlı tomografi (BT) görüntüleri üzerinde çalışmalar hız kazanmakta ve özellikle abdominal(karın) BT görüntülerindeki karaciğeri diğer organlardan ayırmak (segmente etmek), ikinci aşamada karaciğerdeki lezyon tespiti ve sınıflandırılmasına zemin hazırlamaktadır. BT görüntülerinin segmentasyonu için birçok yöntem bulunmakla beraber bugün kullanımı yaygınlaşan evrişimli sinir ağı (CNN) yapıları, diğer yöntemleri yüksek başarı oranlarıyla geride bırakmaktadır. CNN yapılarının eğitilerek verilen görevi yerine getirmesi çok büyük veri setleri ve yüksek performansta donanım ve yazılım gerektirmektedir. Bu nedenle transfer öğrenme denilen önceden eğitilmiş CNN yapılarını kullanılacak görev için tekrar daha küçük boyuttaki veri setiyle eğitme yöntemi, büyük veri setleriyle olan eğitim sürelerinin uzunluğunu, öğrenmenin gerçekleşeceği kaynak yazılım ve donanımların maddi yükünü azaltacaktır. Bu tez çalışmasında, transfer öğrenme yöntemi kullanılarak ImageNet adlı geniş veri setiyle önceden eğitilmiş CNN yapıları olan VGG16, VGG19, RESNET18, RESNET50 modellerinin LiTS2017 abdominal BT görüntülerini içeren açık veri setiyle tekrar eğitilerek görüntü kesitlerindeki karaciğeri segmente etmedeki performansları karşılaştırılacaktır.