Derin öğrenme yaklaşımlarıyla radyolojik görüntülerin bölütlenmesi ve sınıflandırılması: Klinik bir uygulama
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Amaç: Bu çalışmada üç aşama izlenmiştir. İlk olarak, farklı derin öğrenme mimarilerinin bölütleme ve sınıflandırma performansları karşılaştırılmıştır. İkinci aşamada, en etkili algoritmalar tespit edilmiştir. Son olarak, belirlenen algoritmalar kullanılarak biri karotid arter yapısının radyolojik görüntülerden otomatik bölütlenmesini, diğeri ise meme lezyonlarının otomatik bölütlenmesini ve sınıflandırılmasını gerçekleştiren iki ayrı klinik karar destek sistemi geliştirilmiştir. Materyal ve Metot: Çalışmada, meme ultrason görüntüleri ve karotid arter ultrason görüntülerinden oluşan iki veri seti kullanılmıştır. Bu veri setleri üzerinde, U-Net, SegNet, DeepLab v3+, Mask R-CNN, Attention U-Net, U-Net++, TransUNet, Swin-Unet ve Vision Mamba UNet olmak üzere dokuz farklı derin öğrenme mimarisinin bölütleme performanları karşılaştırılmıştır. Performans değerlendirmesinde ise DSC, IoU gibi metrikler kullanılmıştır. Ayrıca meme ultrason görüntüleri dokuz farklı CNN modeli ve Swin-Transformer ve Vision-Transformer ile sınıflandırılmıştır. Performansı en yüksek bölütleme ve sınıflandırma algoritmaları tez kapsamında geliştirilen web tabanlı klinik uyulamalarda kullanılmıştır. Bulgular: Vision Mamba UNet tüm veri setleri üzerinde en yüksek bölütleme performansını göstermiştir. Vision Mamba UNet, ortalama 0.943 DSC ve 0.896 IoU metrik değerleri elde ederken; Swin UNet de benzer bir performans sergilemiştir. Vision Transformer 88.7 f1 değeri ile sınıflandırma konusunda öne çıkmıştır. Vision Mamba UNet ve Vision Transformer ile geliştirilen karotid arter bölütlemesi ve meme ultrason görüntülerinden lezyon bölütleme ve sınıflandırma web uygulamalarından, kullanım kolaylığı, hız ve doğruluk açısından olumlu sonuçlar alınmıştır. Sonuç: Geliştirilen web uygulamaları; klinik karar süreçlerine dahil edilebilecek, radyologların iş yükünü azaltarak tanı sürecini hızlandırabilecek ve hassasiyetini artırabilecek potansiyele sahiptir. Anahtar Kelimeler: Derin öğrenme, Karotid arter bölütleme, Klinik karar destek sistemi, Meme lezyonu bölütleme ve sınıflandırma.
Aim: This study was carried out in three stages. First, the segmentation and classification performances of various deep learning architectures were compared. In the second stage, the most effective algorithms were identified. Finally, two separate clinical decision-support systems were developed using the selected algorithms—one for automatic segmentation of the carotid artery structure from radiological images, and the other for automatic segmentation and classification of breast lesions. Materials and Methods: Two datasets were used: breast ultrasound images and carotid artery ultrasound images. On these datasets, nine deep learning architectures U-Net, SegNet, DeepLab v3+, Mask R-CNN, Attention U-Net, U-Net++, TransUNet, Swin-Unet, and Vision Mamba UNet were compared in terms of segmentation performance. Dice Similarity Coefficient (DSC) and Intersection over Union (IoU) metrics were employed for performance evaluation. Additionally, the breast ultrasound images were classified using nine different CNN models as well as Swin Transformer and Vision Transformer. The segmentation and classification algorithms that achieved the highest performance were then integrated into the web-based clinical applications developed for this thesis. Results: Vision Mamba UNet demonstrated the highest segmentation performance across both datasets, achieving an average DSC of 0.943 and an IoU of 0.896; SwinUNet showed similarly strong performance. For classification, Vision Transformer stood out with an F1 score of 88.7. The web applications based on Vision Mamba UNet and Vision Transformer—for carotid artery segmentation and breast lesion segmentation/classification, respectively—yielded positive feedback in terms of ease of use, speed, and accuracy. Conclusion: The developed web-based applications have the potential to be incorporated into clinical decision workflows, reducing radiologists' workload, accelerating the diagnostic process, and improving diagnostic accuracy. Keywords: Breast lesion segmentation and classification, Carotid artery segmentation, Clinical decision support system, Deep learning.
Aim: This study was carried out in three stages. First, the segmentation and classification performances of various deep learning architectures were compared. In the second stage, the most effective algorithms were identified. Finally, two separate clinical decision-support systems were developed using the selected algorithms—one for automatic segmentation of the carotid artery structure from radiological images, and the other for automatic segmentation and classification of breast lesions. Materials and Methods: Two datasets were used: breast ultrasound images and carotid artery ultrasound images. On these datasets, nine deep learning architectures U-Net, SegNet, DeepLab v3+, Mask R-CNN, Attention U-Net, U-Net++, TransUNet, Swin-Unet, and Vision Mamba UNet were compared in terms of segmentation performance. Dice Similarity Coefficient (DSC) and Intersection over Union (IoU) metrics were employed for performance evaluation. Additionally, the breast ultrasound images were classified using nine different CNN models as well as Swin Transformer and Vision Transformer. The segmentation and classification algorithms that achieved the highest performance were then integrated into the web-based clinical applications developed for this thesis. Results: Vision Mamba UNet demonstrated the highest segmentation performance across both datasets, achieving an average DSC of 0.943 and an IoU of 0.896; SwinUNet showed similarly strong performance. For classification, Vision Transformer stood out with an F1 score of 88.7. The web applications based on Vision Mamba UNet and Vision Transformer—for carotid artery segmentation and breast lesion segmentation/classification, respectively—yielded positive feedback in terms of ease of use, speed, and accuracy. Conclusion: The developed web-based applications have the potential to be incorporated into clinical decision workflows, reducing radiologists' workload, accelerating the diagnostic process, and improving diagnostic accuracy. Keywords: Breast lesion segmentation and classification, Carotid artery segmentation, Clinical decision support system, Deep learning.
Açıklama
Anahtar Kelimeler
Biyoistatistik, Biostatistics
