Three-dimensional (3d) liver tumor detection with deep learning

Bilgisayarlı tomografi (BT) görüntülerinde her kesitte meydana gelen şekil, sınır ve yoğunluk değişiklikleri nedeniyle karaciğerin segmentasyonu zor bir işlemdir. Bu çalışmada, karın BT taramalarından karaciğer ve karaciğer tümörlerinin bilgisayar destekli otomatik bölütlenmesi için konvolüsyonel sinir ağları tabanlı Unet ve Inception modellerinin hibritleşmesinden meydana gelen Adding Inception Module-Unet (AIM-Unet) modeli önerilmiştir. Bir tanesi bu tez çalışması için özel olarak hazırlanmış, diğer üçü (CHAOS, LiTS ve 3DIRCADb) halka açık olan toplam dört farklı karaciğer BT görüntü veri seti üzerinde deneysel çalışmalar yapılmıştır. Önerilen yöntem kullanılarak elde edilen sonuçlar ve uzman tarafından işaretlenen bölütleme sonuçları, Zar benzerlik katsayısı (DSC), Jaccard benzerlik katsayısı (JSC) ve doğruluk (ACC) ölçüm parametreleri ile karşılaştırılmıştır. Bu çalışmada, karaciğer görüntülerini içeren veri kümeleri (LiTS, CHAOS ve veri setimiz) önerdiğimiz AIM-Unet modeli ile ayrı ayrı eğitildi. Karaciğer bölütlemesi için en iyi DSC, JSC ve ACC performans ölçümlerini sırasıyla %97.86, %96.10 ve %99.75 ile CHAOS veri setinden elde edildi. Ayrıca, önerilen model LiTS ve 3DIRCADb veri setlerinde tümör bölütlemesi için sırasıyla %75,6 ve %65,5 DSC değeri olarak hesaplandı ve AIM-Unet modeli ile veri kümeleri üzerindeki bölütleme başarı sonuçları önceki çalışmalarla karşılaştırıldı. Bu sonuçlarla bu çalışmada önerilen yöntemin karaciğer segmentasyonu ve karaciğer tümörlerinin tespiti için hekimlerin karar verme süreçlerinde yardımcı bir araç olarak kullanılabileceği görülmüştür. Bu çalışma medikal görüntüler için faydalı olup, geliştirilen model farklı organ ve diğer medikal alanlardaki uygulamalar için kolaylıkla geliştirilebilir.