Hepatoselüler karsinomun tanısı için derin öğrenme ile manyetik rezonans görüntülerinin segmentasyonu

Amaç: Bu çalışmanın amacı, hepatoselüler karsinoma (HCC) tanısında manyetik rezonans görüntü (MRI)'ler üzerinde gerçekleştirilen segmentasyon işlemlerinin doğruluğunu artırmak üzere, farklı görüntü sekansları (T1 ve T2), çözünürlük düzeyleri ve ön işleme tekniklerinin (Gaussian filtreleme, histogram eşitleme) makine öğrenmesi temelli modellerle sistematik olarak karşılaştırmalı analizini yapmaktır. Yöntem: Çalışmada, ATLAS veri setine ait T1 sekanslı görüntüler ve kuruma ait T2 sekanslı MR görüntüleri kullanılmış; her iki veri seti üç farklı çözünürlükte (128×128, 256×256, 512×512) işlenmiştir. Görüntülere Gaussian filtreleme (sigma 1–5) ve iki farklı histogram eşitleme yöntemi (Histogram Equalization (HE) ve Contrast Limited Adaptive Histogram Equalization (CLAHE)) uygulanmıştır. Segmentasyon modellerinin başarımı Dice Similarity Coefficient (DICE), Intersection over Union (IoU), Pixel Accuracy (PA), Recall (REC), Sensitivity (SEN) ve Specificity (SPE) metrikleriyle değerlendirilmiş, elde edilen sonuçlar çok değişkenli istatistiksel testlerle karşılaştırılmıştır. Bulgular: T1 sekanslı ATLAS veri seti, genel segmentasyon metriklerinde daha istikrarlı ve yüksek başarı gösterirken; T2 sekanslı kendi veri setimiz, bazı metriklerde rekabetçi hatta üstün sonuçlar sunmuştur. Özellikle T2 sekanslı görüntülerde 128×128 çözünürlükte yüksek Recall (0.969), 512×512 çözünürlükte ise yüksek Specificity (0.9936) değerleri elde edilmiştir. Gaussian filtreleme sonucunda sigma 1–2 aralığı en başarılı performansı sunarken, sigma 5 düzeyinde performans düşüşleri gözlenmiştir. Ayrıca, çözünürlük ve filtre düzeyinin Specificity gibi metrikler üzerindeki etkisinin istatistiksel olarak anlamlı olduğu belirlenmiştir (p < 0.05). Sonuç: Bu çalışma, karaciğer tümör segmentasyonunda kullanılan MR görüntüler için çözünürlük, sekans tipi ve ön işleme tekniklerinin birlikte değerlendirilmesi gerektiğini vurgulamaktadır. Literatürde sıklıkla yalnızca DICE ve IoU gibi metrikler raporlanırken, bu çalışmada metrikler gruplar arasında istatistiksel olarak da karşılaştırılmıştır. Bulgular, parametrik olarak optimize edilmiş ön işleme adımlarının yalnızca doğruluğu değil, işlem verimliliğini de artırabileceğini göstermektedir. Bu yönüyle çalışma, tıbbi görüntü segmentasyonu alanına hem yöntemsel hem de uygulamalı düzeyde özgün katkılar sunmaktadır. Anahtar Kelimeler: Hepatoselüler Karsinoma, Makine Öğrenmesi Manyetik Rezonans Görüntüleme, T1 Sekansı, T2 Sekansı, Segmentasyon.