Derin öğrenme teknikleriyle bilgisayarlı tomografi görüntülerinden otomatik karaciğer ve tümör segmentasyonu

Küresel Kanser Gözlemevi'nin (GLOBOCAN) 2020 istatistiklerine göre karaciğer kanseri en sık tespit edilen altıncı kanser türü olup, kansere bağlı ölümler arasında üçüncü sırada yer almaktadır. Buna rağmen, karaciğer kanseri ve lezyonlarının tespiti genellikle radyologlar tarafından manuel olarak yapılmaktadır. Bu manuel süreç, zaman alıcı, maliyetli ve insan değerlendirmelerinin öznelliğinden dolayı hatalara açıktır. CT taramaları, MRI'lar ve ultrason gibi tıbbi görüntüleme cihazlarından alınan görüntülerin kullanılarak karaciğer kanseri ve lezyonlarının tespitinin otomatikleştirilmesi, bilgisayarlı görmede önemli bir araştırma alanıdır. Bu tür otomatik sistemlerin düşük hata oranlarıyla uygulanması, tıbbi görüntü analizini standartlaştırarak uzmanlar arasındaki tutarsızlıkları ortadan kaldırabilir. Böylece, daha hızlı teşhis ve tedaviye olanak tanıyarak hastalığın ilerlemesini önler ve hasta iyileşme oranlarını artırır. Makine öğreniminin bir alt kümesi olan derin öğrenme, tıbbi görüntülemede, özellikle organların ve lezyonların konumlarını ve sınırlarını tespit etme ve sınıflandırma konusunda dikkate değer bir başarı göstermiştir. Popüler bir derin öğrenme mimarisi olan evrişimli sinir ağları (CNN'ler), tıbbi görüntü segmentasyonu ve sınıflandırmasında yüksek doğruluk elde etmiştir. CNN'lerin bir türevi olan U-Net gibi modeller bu yetenekleri daha da geliştirdi. Bu başarılar, derin öğrenme algoritmalarının tıbbi görüntü işlemedeki önemli zorlukları çözme potansiyelini vurgulamaktadır. Son gelişmeler arasında, birden fazla ölçekte ayrıntıları yakalayarak karmaşık görüntüleri bölümlere ayırmada üstün olan ve görüntüdeki farklı bölgeler arasında doğru sınırlar sağlayan DeepLabv3+ gibi modeller yer alıyor. DeepLabv3+, özelliklerin çözünürlüğünün korunmasına yardımcı olan genişletilmiş evrişimler kullanır ve bu da onu, doğru analiz için ayrıntıların korunmasının kritik olduğu tıbbi görüntüleme görevleri için çok uygun hale getirmektedir. Bu çalışmada, derin öğrenme yöntemleriyle tıbbi görüntü bölütleme algoritmalarının detaylı bir incelemesi sunulmaktadır. Veri seti eğitim işlemlerinden önce veri ön işlemesi konuları ele alınmaktadır. Son olarak, halka açık bir veri seti olan LiTS kullanılarak ResNet50, ResNet101, ResNeXt101_32x4d ve Efficientnet-b5 modelleri karın BT görüntüleri üzerinde DeepLabv3 segmentasyon mimarisi ile birlikte omurga ağları olarak uygulanmış ve sonuçlar analiz edilmiştir. Karaciğer segmentasyonunda en yüksek dice skoru 0.9674 ile ResNet101 modeli ile elde edilirken, tümör segmentasyonunda en yüksek dice skoru 0.7584 ile ResNeXt101_32x4d modeli ile elde edilmiştir. Bu çalışmanın yeniliği, hibrit algoritmaların kullanılmasıdır. Hibrit algoritmalar, farklı model ve tekniklerin bir araya getirilerek daha yüksek doğruluk ve verimlilik elde edilmesini sağlar. Bu yaklaşımlar, karaciğer tümörlerinin daha hassas ve doğru bir şekilde tespit edilmesine olanak tanır. Hibrit algoritmaların uygulanması, tıbbi görüntüleme ve kanser tespiti alanında önemli ilerlemeler sağlayarak, hasta bakımını ve tedavi sonuçlarını iyileştirmektedir.