Artificial Intelligent Based Segmentation on Medical Imaging

Teknolojinin ve teorik bilginin gelişmesiyle son 20 yıldır günlük hayatımızın her
alanında olduğu gibi sağlık alanında da yapay zekâ (YZ)'nın uygulanması giderek
artmaktadır. Özellikle koronavirüs (COVID-19) ve iskemik inme gibi toplum sağlığını
tehdit eden hastalıkların YZ ile tespit edilmesi sağlık çalışanların iş yüklerini
hafifleterek daha doğru tanı sağlamaktadır. Bu hastalıkların tespit edilmesinin yanında
medikal görüntü üzerinden hastalık bölgelerinin bölütlenmesi, sağlık çalışanlarına
tedavide yardımcı olabilecek bilgi sağlamaktadır. Bununla birlikte medikal görüntü
üzerinden bölütlemenin hastalık bölgesinin küçük ve veri sayısının yetersiz olması gibi
sorunları mevcuttur. Tez, veri artırma yöntemlerini ve hastalık bölgelerine
odaklanabilen yeni yaklaşımları kullanarak üç ana katkı bölümünde bu sorunları ele
almıştır.
İlk olarak COVID-19 lezyonunun medikal görüntüleri üzerinden tespiti için
DeepChestNet olarak adlandırılan özgün bir çerçeve önerilmiştir. COVID-19'un
dokusu ve şekli görüntüdeki diğer yapılarla karıştırılabileceğinden, evrişimli sinir
ağları (ESA), lezyonun yapılandırılmış ilişkilerini yakalamada hala sınırlıdır. Bu
kısıtlamayı azaltmak için önerilen çerçeve; akciğer, akciğer lob ve COVID-19 lezyon
bölütlemesi işlemlerini birleştirmiştir. Bölütleme işlemlerinin birleştirilmesi
DeepChestNet’in lezyonların yapılandırılmış ilişkilerini daha fazla yakalayabilmesini
ve COVID-19'un bulgularının tespitini sağlamaktadır. Ayrıca, bu bölümde bölütleme
işlemleri için sırasıyla 9036, 9036 ve 1034 tane piksel düzeyinde açıklamalı etiketlere
sahip eksenel göğüs bilgisayarlı tomografi (BT) görüntüleri içeren yeni geniş ölçekli
DeepChestNet-Lung, DeepChestNet-Lobe ve DeepChestNet-COVID veri kümeleri
toplanmıştır.
Sonrasında, BT görüntülerindeki küçük COVID-19 bölgelerinin göze çarpan
özelliklerini çıkarmada ESA mimarilerinin yetersiz olması nedeniyle U-TranSvision
adlı özgün bir mimari önerilmiştir. Bu mimarimiz küçük COVID-19 lezyonları içeren
görüntülerde bölütleme başarımını artırmak için göze çarpan özelliklere odaklanabilen
transformer ve derin denetim yaklaşımlarını kullanmaktadır. Ayrıca U-TranSvision'ın
bölütleme başarımını iyileştirmek için veri artırmada Pix2Pix çekişmeli üretici ağ
(GAN) kullanılmıştır. Daha sonra, BT görüntülerindeki insan dokusu etrafında
bulunan gürültüyü gideren ön işleme adımları uygulanmıştır. Mimarimizi eğitmek için
önceki bölümdeki veri kümemize küçük lezyon bölgelerini içeren görüntüleri de
ekleyerek toplamda 11.717 eksenel göğüs BT görüntüsü içeren nispeten büyük ölçekli
bir veri kümesi oluşturuldu. Ayrıca U-TranSvision'ın sağlamlığı, COVID-19-CT-Seg,
MosMedData ve MedSeg gibi halka açık üç veri kümesi üzerindeki deneyler ile
gösterildi.
Son olarak, iskemik inme hastalığının BT görüntüleri üzerinden tespit edilmesinde
başarımı artırmak amacıyla ResUNet mimarisi değiştirilmiştir. ESA tabanlı mimariler
iskemik inme hastalığının bölütlenmesinde göreceli olarak iyi başarım göstermesine
rağmen, başarımı daha da artırmak için mimariler değiştirilebilmektedir. Bu nedenle,
ResUNet mimarisine bir dilation konvolüsyon katmanı eklenmiştir ve bunun modelin
doğruluğunu artırdığı gösterilmiştir. Ayrıca, parlaklık değişimi, Gaussian ve blur
filtreleri uygulama, tuz biber ve Gauss gürültülerinin eklenmesi gibi geleneksel veri
artırma yöntemlerinin yanı sıra Pix2Pix GAN yaklaşımı da kullanılarak modelin
genelleme yeteneği artırılmıştır. Ayrıca, benzer çalışmalarla karşılaştırmak için halka
açık iskemik inme veri kümesi kullanılmıştır.