Derin öğrenme yöntemlerini kullanarak MR görüntülerinden otomatik tümör tespiti

Beyin tümörü insan sağlığını ciddi anlamda tehdit eden ve çoğu zaman riskli ameliyatlarla tedavi edilebilen bir hastalıktır. Uzmanlar, yüksek çözünürlüklü Manyetik Rezonans (MR) görüntüleriyle beyin tümörünü tespit edebilmektedir. Ancak günümüzde, bir çok araştırmacı derin öğrenme yöntemlerini kullanarak MR görüntülerinden beyin tümör tespitini yapmaktadır. Yapılan çalışmalarda MR veya Bilgisayarlı Tomografi (BT) görüntülerinden beyin tümör tespiti ile ilgili oldukça başarılı sonuçlar elde edilmiştir. Ancak hala bu alanda geliştirilmesi gereken birçok nokta bulunmaktadır. Özellikle tümörlerin yeri, boyutu konusunda başarı oranının istenilen seviyede olmadığı bilinmektedir. Bu tez çalışmasında beyin MR görüntülerinden derin öğrenme yöntemleri kullanarak otomatik tümör tespiti için daha önce önerilmemiş beyin tümörü tespitini daha yüksek bir başarı oranı ile tespit eden yeni bir yaklaşım geliştirilmiştir. Bu tez çalışmasında beyin tümör tespiti iki aşamalı bir süreç olarak gerçekleştirilmiştir. İlk aşamada beyin tümörünün yeri ve boyutlarının tespiti için bölütleme (segmentasyon) işlemi yapılmış, ikinci aşamada ise tümör tiplerinin tespiti için sınıflandırma işlemi yapılmıştır. Bölütleme işlemi için derin öğrenme ağlarından biri olan UNet mimarisi, segmentasyon işlemi için önceden eğitilmiş DenseNet121 mimarisi ile hibrit model olarak kullanılmıştır. Önerilen model, yüksek dereceli ve düşük dereceli glioma tümörlerini içeren BraTS 2019 veri seti ile doğrulanmıştır. Deneysel sonuçlar, modelimizin bu alanda sunulan diğer son teknoloji yöntemlerden daha iyi performans elde ettiğini göstermektedir. Bölütleme işlemi sonucunda, tüm tümör, çekirdek tümör ve genişleyen tümör için sırası ile %95.9, %94.3 ve %89.2 DSC değerleri elde edilmiştir. Beyin MR görüntülerinin sınıflandırılması için 8 katmanlı iyileştirilmiş CNN tabanlı bir ağ tasarlanmıştır. Önerilen yaklaşım, glioma tümörlerini %99,64, menenjiyom tümörlerini %96,53, hipofiz tümörlerini %98,39 doğruluk oranıyla tespit etmiştir.