Derin öğrenme ile MR görüntüleri üzerinde görüntü segmentasyonu ve 3D modelleme

Son yıllarda beyin MR görüntülerinde, tümör varlığının tahmin edilebilmesi için derin öğrenme tekniklerinin kullanımı oldukça yaygınlaşmıştır.Dört farklı görüntüleme modalitesinden (T1, T1C, T2 ve Flair) oluşan 3D Beyin Tümörü Segmentasyonu (BraTS) görüntü veri setlerinde beyin tümörünü otomatik olarak bölümlere ayırmak için konvolüsyonlu sinir ağını kullanarak semantik segmentasyon yöntemi sunulmaktadır. Ek olarak, piksel sınıflandırılması için 'arka plan' ve 'tümör' olmak üzere iki sınıf belirlenmiştir. Semantik segmentasyon sonuçlarının değerlendirilmesi için de ortalama IoU ve ortalama BFscore gibi metriklerden faydalanılmıştır. Ayrıca, kullanılan veri setindeki gerçek (ground truth) etiketleri ile oluşturulan ağın son katmanında elde edilen tahmin etiketlerinin karşılaştırılması, dice katsayısı kullanılarak karşılaştırılmıştır. Her iki etiket grubu kullanılarak, içerisinde tümörün yer aldığı 3 boyutlu beyin MR görüntüleri oluşturulmuştur. Sonuç olarak, test görüntüsü üzerinde yüksek oranda tümör tahmini gerçekleştirilmiştir. Oluşturulan 3 boyutlu beyin görüntüleri, tümörün genişlik, yükseklik ve derinliği hakkında cerrahlara planlama açısından görsel bir katkı sağlayabilir. Beyin, gerçek ve tahmin edilen etiketlerin yüzey alanlarının hesaplanması ve bu işlemin bütün kesitlere uygulanması tümör hacim bilgilerinin karşılaştırılması anlamında oldukça faydalıdır. Sonuç olarak tahmin edilen hacim değerlerinin, gerçek hacim değerlerine oldukça yakın olması, bu çalışmanın tümör varlığını derin öğrenme metodu ile tümör hacmin ise yüzey alanı algoritması ile tespit edilebileceğini göstermiştir. Bu çalışma, beyin tümörlerinin otomatik olarak tespit edilmesini sağladığı için, beyin tümör teşhislerinde önemli bir avantaj sağlayabilir. Ek olarak, beyin tümörünün hacminin hesaplanması ve 3 boyutlu modelleme sayesinde, tümör bölgesinin net olarak görüntülenmesi ve tümörün boyutlarının anlaşılmasını kolaylaştıracaktır.