Deep learning techniques for 3D volume reconstruction from planar X-ray images

X-ray, düşük maliyeti nedeniyle genellikle tıbbi görüntülemede en çok tercih edilen yöntemdir. Ancak, 2 boyutlu olması sebebiyle teşhis aşamasında 3 boyutlu görüntüleme teknikleri kadar etkili değildir. Öte yandan, 3 boyutlu görüntüleme maliyetli olduğundan X-ray kadar yaygın değildir ve bilgisayarli tomografi, doku hasarıyla ilişkili daha yüksek radyasyon riskleri taşır. Bununla birlikte, X-ray'den 3 boyutlu rekonstrüksiyon (3Dr) yapmak makul bir orta yol gibi görünmektedir. İstatistiksel şablonlar aracılığıyla 2B/3B eşleştirmeye dayanan geleneksel 3Dr yöntemleri, hastaya özgü anatomik değişkenlikleri çoğu zaman göz önünde bulunduramadıkları için doğruluk sorunlarına yol açmaktadır. Bu tez, tek bir X-ray üzerinden 3Dr için iki yeni derin öğrenme tekniği tanıtmaktadır: X-ray to Volume (X2V) ve X-ray to Bone (X2B). Görüntü dönüştürücü tabanlı bir kodlayıcı içeren X2V, bireysel anatomik farklılıkları yakalayabilen son derece hassas 3B organ modelleri üretmektedir. X2B ise bu yaklaşımı iskelet yapılarına uygulayarak, X-ray'lerdeki örtüşen Hounsfield Birimi (HU) değerleri gibi ince yapısal detayların çıkarılmasını zorlaştıran sorunları ele almaktadır. Ayrıca, X2B'nin genişletmeleri olarak sunulan X-ray to Bone Registration (X2BR) ve Biplanar X-ray to Bone (X2B2) teknikleri, kaburgalar ve omurların yüksek çözünürlüklü 3Dr'ını elde etmek amacıyla nesne tespiti, nöral örtük modelleme ve esnek eşleştirme işlemlerini içerir. Chamfer mesafesi, kesişimin birleşime oranı, f-skoru ve normal tutarlılığı metrikleri üzerinden yapılan değerlendirmeler, bu dört tekniğin literatürdeki mevcut yöntemlere kıyasla üstün olduğunu göstermektedir. Geleneksel istatistiksel yöntemlerle modern derin öğrenme arasındaki boşluğu kapatan bu tez, daha kişiselleştirilmiş ve kesin teşhis ile tedavi çözümlerine zemin hazırlayarak, klinik iş akışlarını ve hasta sonuçlarını iyileştirme potansiyeline sahiptir.