Medikal görüntülerde nokta bulutu uygulamaları

Bu tez çalışmasında, böbrek ve pankreas segmentasyonu problemleri voksel tabanlı ve nokta bulutu tabanlı derin öğrenme yöntemleri kullanılarak kapsamlı biçimde incelenmiştir. Çalışma, veri temsiline bağlı olarak modellerin performans ve genelleme yeteneklerini değerlendirmeyi amaçlamaktadır. Böbrek segmentasyonu için iki aşamalı kaba–ince segmentasyon çerçevesi tasarlanmış; U-Net, AttUNet, ResUNet, MFFAU-Net ve TransUNet mimarileri KiTS19, KiTS23 ve FLARE22 veri setleri üzerinde test edilmiştir. Sonuçlar, voksel tabanlı yöntemlerin yüksek doğruluk sunduğunu ancak hesaplama maliyeti ve genelleme kabiliyeti açısından sınırlılıklar taşıdığını göstermiştir. Bu sınırlılıklara yanıt olarak, nokta bulutu tabanlı PointNet ve DGKSA mimarileri değerlendirilmiş; bu modellerin düşük bellek kullanımı ve güçlü geometrik farkındalık özellikleriyle özellikle karmaşık organ sınırlarında başarılı sonuçlar verdiği gözlemlenmiştir. DGKSA modeli, pankreas segmentasyonunda voksel tabanlı yöntemlere göre daha üstün doğruluk elde etmiştir. Genel olarak, çalışma tıbbi görüntü segmentasyonunda nokta bulutu temsiline dayalı yaklaşımların uygulanabilirliğini sistematik biçimde ortaya koymakta ve veri temsili–performans ilişkisine dair özgün bulgular sunarak gelecekteki araştırmalara yön göstermektedir.