Göğüs X-ray görüntülerinde derin öğrenme algoritmaları ile akciğer bölütlemesi

Abstract

Amaç: Bu çalışmada birçok hastalığın teşhisinde önemli bir role sahip olan akciğer grafileri kullanılarak akciğer bölütlemesi gerçekleştirmek amaçlanmıştır. Yöntem: Bu çalışma derin öğrenme algoritmaları kullanılarak gerçekleştirilmiştir. Çalışma üç temel aşamadan oluşmaktadır. Birinci aşamada, birden fazla farklılık bulunan veri kümesini bir arada kullanabilmek için çeşitli ön işlem adımları incelenmiştir. Daha sonra bu görüntülerin derin öğrenme algoritmalarındaki performansları ölçülmüştür. Çalışmanın ikinci aşamasında veri çeşitliliği ve sayısını artırmak amacıyla veri artırma teknikleri kullanılmıştır. Artırılmış veri ile ilk durumdaki veri arasında derin öğrenme algoritmaları aracılığıyla performans karşılaştırılması yapılmıştır. Tez çalışmasının son aşamasında ise yeni bir ağ tasarımı oluşturabilmek için literatürde sıkça yer alan tıbbi görüntüler üzerinde bölütlemenin gerçekleştirildiği derin öğrenme algoritmaları incelenmiştir. U-Net ve Seg-Net algoritmalarının yanı sıra Res-Net'in artık bloklarından da yararlanarak bir ağ tasarlanmıştır.Bulgular: Yapılan deneyler sonucunda elde edilen verilere göre, farklı veri kümelerinin birleştirilmesi sonucu oluşturulan sayıca ve çeşit olarak fazla verilerle akciğer bölütlemesinin daha iyi sonuçlar verdiği tespit edilmiştir. Ayrıca veri artırma teknikleri ile artırılmış verilerin performansa iyi yönde etki ettiği gözlemlenmiştir. Son olarak, tasarlanan modelin akciğer bölütlemesi için daha uygun olduğu görülmüştür.Sonuç: Tüm bu çalışmalardan yola çıkarak, derin öğrenme algoritmalarının performansa olumlu etki edebilmesi için veri boyutunun büyüklüğü ve çeşidinin yeterli düzeyde olması gerektiği tespit edilmiştir. Bu verilerin doğru değerlendirilmesi için uygun modeller kullanılması gerektiği ve yeni model tasarlanarak elde edilen bölütleme doğruluğunun iyileştirildiği gözlenmiştir.Anahtar Kelimeler: derin öğrenme, tıbbi görüntülerde bölütleme, veri artırma, histogram eşleştirme, akciğer grafisi,U-Net, Seg-Net

Purpose: In this study, it was aimed to perform lung segmentation using Chest X-rays, which have an important role in the diagnosis of many diseases.Method: This study was carried out using deep learning algorithms. The study consists of three basic stages. In the first stage, various pre-processing steps were examined in order to use the data set with more than one difference. Then, the performances of these images in deep learning algorithms were measured. In the second stage of the study, data enhancement techniques were used to increase the variety and number of data. Performance comparison was made between the augmented data and the data in the first case using deep learning algorithms. In the last phase of the thesis, in order to create a new network design, the deep learning algorithms that perform segmentation on medical images, which are frequently included in the literature, were examined. A network is designed by utilizing the residual blocks of Res-Net as well as U-Net and Seg-Net algorithms.Findings: According to the data obtained as a result of the experiments, it was determined that lung segmentation gave better results with more data in numbers and types created by combining different data sets. In addition, it has been observed that the data augmented with data enhancement techniques have a positive effect on performance. Finally, the designed model has been found to be more suitable for lung segmentation.Results: Based on all these studies, it was determined that the size and variety of data size should be sufficient for deep learning algorithms to have a positive effect on performance. It was observed that appropriate models should be used for the correct evaluation of these data and the segmentation accuracy obtained by designing a new model was improved. Keywords: deep learning, segmentation in medical images, data augmentation, histogram matching, Chest X-ray, U-Net, Seg-Net