Bilgisayarlı tomografi taramaları üzerinde maskeli bölgesel-evrişimsel sinir ağları ile karaciğerin otomatik bölütlenmesi

Abstract

Bilgisayarlı Tomografi (BT) görüntülerinde her bir kesitte ortaya çıkan şekil, sınır ve yoğunluk gibi değişikliklerden dolayı karaciğerin bölütlenmesi zor bir süreç olarak durmaktadır. Diğer bölütleme yöntemleri ile karşılaştırıldığında, derin öğrenme modelleri ile daha başarılı bölütleme sonuçları genel fenomendir. Bu çalışmada, abdomen bölgesinden alınmış BT taramalarındaki kesitler üzerinde karaciğerin bilgisayar destekli otomatik bölütlenmesi için, Maskeli Bölgesel-Evrişimsel Sinir Ağları (Maskeli B-ESA) kullanılarak çoklu-GPU ile hızlandırılmış bir yöntem önerilmiştir. Bu çalışmaya özgü hazırlanan karaciğer BT görüntü veriseti üzerinde, hem tek hem de çift GPU donanımsal yapısı ile deneysel çalışmalar yürütülmüştür. Önerilen yöntem kullanılarak elde edilen sonuçlar ile uzman hekim tarafından bulunan bölütleme sonuçları Dice benzerlik katsayısı (DSC), Jaccard benzerlik katsayısı (JSC), volumetrik örtüşme hatası (VOE), ortalama simetrik yüzey mesafesi (ASD) ve oransal hacim farkı (RVD) ölçüm parametreleri ile karşılaştırılmıştır. Önerilen yaklaşım ile test görüntüleri üzerinde yürütülen deneysel çalışmalarda DSC, JSC, VOE, ASD ve RVD bölütleme başarım metrikleri, sırasıyla 97.32, 94.79, 5.21, 0.390, -1.008 olarak hesaplanmıştır. Bu sonuçlar ile bu çalışma kapsamında önerilen yöntemin, karaciğerin bölütlenmesi için hekimlerin karar verme süreçlerinde yardımcı bir araç olarak kullanılabileceği görülmüştür.

Transformer Skip‐Fusion Based SwinUNet for Liver Segmentation From CT Images

“…Hong et al [36] proposed an unsupervised domain adaptation approach for liver segmentation. A method using Mask R‐CNN with soft parameter selection was proposed by Dandil et al [37]. Gong et al [38] introduced a fractional differential enhancement‐based CNN model.…”