Erken tümör tespiti ve MRI görüntülerinin kalite kontrolü için kapsamlı bir çerçeve Python kullanımı

Beyin tümörlerinin erken teşhisi, etkili tedavi planlaması ve hasta sağkalım oranlarının artırılması açısından hayati önem taşımaktadır. Manyetik Rezonans Görüntüleme (MRI), üstün yumuşak doku kontrastı sayesinde beyin tümörlerini teşhis etmek için en yaygın kullanılan invaziv olmayan görüntüleme tekniklerinden biridir. Ancak, tümör tespitinin ve sınıflandırılmasının doğruluğu, MRI taramalarının kalitesine bağlıdır ve bu kalite; gürültü, yapaylık (artefaktlar), yoğunluk düzensizlikleri ve görüntüleme tutarsızlıkları gibi çeşitli faktörlerden etkilenebilir. Bu nedenle, yüksek kaliteli MRI verilerinin sağlanması, güvenilir ve hassas tümör tespiti için temel bir gerekliliktir.Bu araştırma projesi, erken beyin tümörü tespitini geliştirmek ve MRI kalite kontrolünü sağlamak amacıyla, derin öğrenme modelleri ve açık kaynaklı MRQy aracını entegre eden kapsamlı bir Python tabanlı çerçeve önermektedir. Evrişimli sinir ağları (CNN) ve Reset ile EfficientNet gibi transfer öğrenme mimarilerine dayalı derin öğrenme modeli, BraTS (Beyin Tümörü Bölütleme Yarışması) ve The Cancer Imaging Archive (TCIA) gibi kamuya açık MRI veri setleri üzerinde eğitilecektir. Modelin performansı; doğruluk (accuracy), kesinlik (precision), geri çağırma (recall), F1 skoru ve AUC-ROC eğrileri gibi standart değerlendirme metrikleri kullanılarak ölçülecek ve böylece modelin sağlamlığı ve genelleştirilebilirliği değerlendirilecektir. Ayrıca, MRQy aracı iş akışına entegre edilerek yaygın görüntüleme artefaktlarının tespit edilmesi, sinyal homojenliğinin sağlanması ve yoğunluk dağılımlarının standartlaştırılması yoluyla MRI taramalarının sistematik olarak değerlendirilmesi ve iyileştirilmesi amaçlanmaktadır. Gürültü azaltma, yanlılık alanı düzeltme (bias field correction) ve normalizasyon gibi ileri düzey ön işleme teknikleri kullanılarak, düşük kaliteli MRI taramalarının derin öğrenme tabanlı sınıflandırma sonuçları üzerindeki olumsuz etkileri en aza indirilecektir. Bu araştırmanın beklenen çıktıları; otomatik tümör tespiti ve segmentasyonu için yüksek doğrulukta ve güvenilir bir derin öğrenme modeli, MRQy kullanılarak oluşturulmuş otomatik bir kalite kontrol hattı ve diğer tıbbi görüntüleme uygulamalarına da genişletilebilecek standart bir çerçevedir. Bu yaklaşım, tanısal doğruluğu artırma, radyolojik iş akışlarını optimize etme ve klinik karar alma süreçlerini geliştirme potansiyeline sahiptir. Sonuç olarak, nöro-onkoloji alanında hasta sonuçlarını iyileştirmeye önemli katkılar sağlayabilir.