Tıbbi görüntü işlemede kapsül ağlar

Bu doktora tezi, farklı görüntüleme yöntemlerinden elde edilen tıbbi görüntülerin otomatik sınıflandırılması ve segmentasyonu için Bilgisayar Destekli Tanı (BDT) sistemlerinin geliştirilmesine odaklanmaktadır. Tıbbi görüntüleme, vücudun iç yapılarını ve işlevlerini görselleştirmek için invazif olmayan araçlar sağlayarak sağlık hizmetlerinde kritik bir rol oynamaktadır. Bununla birlikte, tıbbi görüntülerin radyologlar tarafından analizi ve yorumlanması genellikle öznel ve zaman alıcıdır. Bu nedenle bu tez, tıbbi görüntülerdeki ilgi alanlarının tespitini ve sınıflandırılmasını otomatikleştirmek için yapay zekanın, özellikle de derin öğrenme modellerinin kullanımını araştırmaktadır. Tez, her biri farklı bir tıbbi görüntüleme yöntemine odaklanan dört çalışma içermektedir. İlk çalışma, mamogram görüntülerindeki iyi huylu/kötü huylu kitlelerin klasik Konvolüsyonel Sinir Ağları (KSA) ve transfer öğrenme modelleri kullanılarak sınıflandırılmasını ve ardından bu tezde geliştirilen kapsül ağ modeli kullanılarak sınıflandırılmasını içermektedir. İkinci çalışma, modifiye edilmiş bir U-Net modeli kullanarak kolonoskopi görüntülerindeki poliplerin segmentasyonuna ve segmentasyon performansını optimize etmek için farklı parametrelerin analizine sonrasında kapsül ağ tabanlı bir segmentasyon modelinin performansına odaklanmaktadır. Üçüncü çalışmada, abdominal MR görüntülerindeki iyi huylu/kötü huylu adrenal lezyonların hem sınıflandırılması hem de segmentasyonu incelenmiştir. Sınıflandırma için farklı ilgi bölgeleri çıkarılmış, kapsül ağı tabanlı ve KSA tabanlı modeller kullanılarak ayrı çalışmalar yapılmıştır. Segmentasyon için klasik U-Net modeli modifiye edilerek yeni bir model önerilmiş, farklı parametrelerin ve kapsül ağ tabanlı segmentasyon modelinin performans üzerindeki etkisi değerlendirilmiştir. Son olarak, X-ışını görüntüleri kullanılarak çocuklarda pnömoni sınıflandırması için özel bir kapsül ağ yapısı önerilmiştir. Tüm çalışmalar literatürdeki benzer çalışmalarla veya en son modellerle karşılaştırılmış ve üstünlükleri gösterilmiştir. Genel olarak bu tez, tıbbi görüntülerin otomatik sınıflandırılması ve segmentasyonu için tıbbi teşhislerin doğruluğunu, verimliliğini ve tutarlılığını potansiyel olarak artırabilecek yeni derin öğrenme modelleri sunmaktadır.