Beyin damar görüntülerinde dallanma ve uç noktalarin derin öğrenme yöntemleri· ile tespi·ti·

Abstract

Mikroskopi teknolojilerindeki gelişmeler, biyomedikal araştırmalarda önemli bir yer edinmiş ve özellikle nöroloji gibi karmaşık biyolojik sistemlerin incelenmesinde kritik bir rol oynamıştır. Beyin damarlarının doğru ve etkin bir şekilde görüntülenmesinin, nörogörüntüleme alanında önemli yeri vardır. Beyin damarlarının yapısal bütünlüğündeki bozulmalar, nörolojik hastalıkların ortaya çıkmasına yol açabilir. Bu nedenle, damar yapılarının dallanma noktaları ve uç noktalarının doğru tespiti, hastalıkların tanısı ve tedavisinde kritik bir rol oynar. Ancak geleneksel görüntü işleme yöntemleri, artan algoritmik karmaşıklık ve görüntü boyutu nedeniyle sınırlamalar taşımaktadır. Bu tez çalışması, beyin damarlarının iki boyutlu (2B) mikroskop görüntülerinde dallanma ve uç noktalarının tespiti için derin öğrenme tabanlı bir nesne tespiti yöntemi geliştirmeyi ve bu yöntemin hiperparametre optimizasyonunu gerçekleştirmeyi amaçlamaktadır. Laboratuvar ortamında elde edilen fare beyni dilimlerinin ham görüntüler ön işleme süreci işletilerek nesne tespiti yöntemleri için uygun hale getirilmiştir. BM3D algoritması ile gürültü temizleme, üçgen eşikleme yöntemi ile segmentasyon ve 2B inceltme algoritması ile iskelet çıkarma adımlarından geçirilmiştir. Elde edilen dallanma ve uç noktaları, 5x5 piksel boyutunda sınırlayıcı kutularla etiketlenmiş ve COCO formatına dönüştürülmüştür. Daha sonra, Detectron2 çerçevesinde dört farklı derin öğrenme nesne tespiti algoritması kullanılarak modeller eğitilmiş ve bu modellerin performansları Birleşimin Kesişime Oranı (Intersection over Union (IoU)) metriği ile değerlendirilmiştir. Bazı modellerde %90'ın üzerinde bir başarı oranı elde edilmiştir. Ancak model performansını daha da artırmak için, Bayesci Optimizasyon yöntemi kullanılarak hiperparametre optimizasyonu gerçekleştirilmiştir. Bu yöntem sayesinde model doğruluğu %98'in üzerine çıkarılmıştır. Optimizasyon işlemini otomatikleştirmek için optuna kütüphanesinden faydalanılmıştır. Tezde ayrıca, Python ile geliştirilen BrainVasculyzer isimli yazılım da geliştirilmiştir. Bu yazılım, beyin damarlarının otomatik analizini sağlayan kullanıcı dostu bir arayüz sunmakta ve mevcut analiz programları ile karşılaştırılarak performansı değerlendirilmiştir. BrainVasculyzer, damarların uzunluğu, dallanma ve uç noktaları gibi bilgileri otomatik olarak çıkarıp görselleştirilmektedir. Bu tez çalışması, derin öğrenme ve hiperparametre optimizasyonunun nörogörüntüleme alanında önemli ilerlemeler sağladığını ve beyin damarlarının analizinde büyük bir potansiyele sahip olduğunu ortaya koymaktadır. Anahtar kelimeler: Derin öğrenme, Beyin damar analizi, Hiperparametre optimizasyonu, Nesne tespiti, Görüntü işleme, Dallanma ve uç noktaları tespitiAdvances in microscopy technologies have gained an important place in biomedical research and have played a critical role in the study of complex biological systems, especially in neurology. Accurate and efficient imaging of brain vessels is of vital importance in the field of neuroimaging. Disruptions in the structural integrity of brain vessels can lead to the development of neurological diseases. Therefore, accurate detection of branching points and endpoints of vascular structures plays a critical role in diagnosing and treating diseases. However, traditional image processing methods have limitations due to increasing algorithmic complexity and image size. This thesis is a significant step forward in the field of neuroimaging. It aims to develop a deep learning-based object detection method for detecting branches and endpoints in two-dimensional (2D) microscope images of cerebral vessels. This method, coupled with hyperparameter optimization, promises to revolutionize the way we analyze brain vessels. Raw images of mouse brain slices obtained in the laboratory environment are subjected to noise removal with the BM3D algorithm, segmentation with the triangle thresholding method and skeletonization with the 2D thinning algorithm. The resulting branches and endpoints were labeled with bounding boxes of 5x5 pixels and converted to COCO format. Within the scope of the thesis, models were trained using four different deep-learning object detection algorithms within the Detectron2 framework, and their performance was evaluated with the Intersection over Union (IoU) metric. With some models, a success rate of over 90% was achieved. To improve the model performance further, hyperparameter optimization was performed using Optuna software, and the model accuracy increased by over 98%. The thesis also introduces BrainVasculyzer, a software developed in Python. This software provides a user-friendly interface for automatic analysis of brain vessels and its performance is evaluated by comparing it with existing analysis programs. BrainVasculyzer can automatically extract and visually present information such as the length, branching and endpoints of the vessels. This thesis not only demonstrates the significant advances made in neuroimaging through deep learning and hyperparameter optimization but also instills hope for the future, showing the great potential these technologies have in brain vessels. Keywords: Deep learning, Brain vessel analysis, Hyperparameter optimization, Object detection, Image processing, Branching and endpoint detection.