Derin Öğrenme İle Beyin Tümör Segmentasyonu

Abstract

Artan nüfus ile birlikte her geçen gün daha fazla insan beyin tümöründen etkilenmektedir. Diğer hastalıklar ile kıyaslandığında beyin tümörünün ölüm oranı çok daha yüksektir. Ayrıca beyin tümörü hastalığına yakalanan bireyler günlük yaşamlarında önemli zorluklarla karşılaşmaktadır. Beyin tümörünün tanısı doktorlar için zorlu bir süreçtir. Teşhis aşamasında doktorların karşılaştığı zorluklar ve bu sorunların üstesinden gelmek adına bir çözüm önerisi olarak, beyin MR görüntülerinin otomatik segmentasyonunu sağlayacak bir modelin tasarlanması hedeflenmiştir. Bu çalışmada beyin MR görüntülerinin segmentasyonundaki zorluğu aşmak için topluluk öğrenimi yöntemi kullanılmıştır. Topluluk öğrenimi yönteminde derin öğrenme tabanlı dikkat mekanizmalı u-net ve u-net modelleri kullanılmıştır. Bu yöntem ile iki farklı modelden gelen tahmin değerlerinin ortalamasının alınması ve daha kararlı bir modelin geliştirilmesi amaçlanmıştır. Model eğitimi için BRATS veri setinin 2018, 2019 ve 2020 versiyonları kullanılırken, model testleri için 2017 versiyonu tercih edilmiştir. Veri setindeki dengesiz sınıf dağılımı problemine çözüm olarak farklı veri ön işleme adımları kullanılmıştır ve topluluk öğrenimi modeli ile beyin MR görüntülerinin segmentasyon problemi ele alınmıştır. Elde edilen topluluk öğrenimi yöntemi ile BRATS2017 veri seti üzerinde %87,33 ortalama zar skoru, %81,74 nekrotik sınıfı zar skoru, %91,57 ödem sınıfı zar skoru, %76,03 artırılmış tümör sınıfı zar skoru, %99,96 arka plan sınıfı zar skoru ve Tüm Tümör (TT), Çekirdek Tümör (ÇT) ve Artırılmış Tümör (AT) için sırasıyla %83,11, %78,88 ve %76,03 zar skoru elde edilmiştir.