Beyin Kan Damarlarının Derin Öğrenme Sinir Ağları Kullanılarak Analizi

Abstract

Çok katmanlı ileri beslemeli bir yapay sinir ağı modeli olan evrişimsel sinir ağı (ing: Convolutional Neural Network - CNN) özellikle görüntüler üzerinden özellik çıkarılması ve analizlerinin yapılması aşamasında sıklıkla kullanılmaktadır. Yapılan bu tez çalışmasında, iki boyutlu olarak elde edilen gerçek beyin damar ağı görüntüleri kullanılarak, derin öğrenme sinir ağı tabanlı otomatik damar ağı bölütlemesi gerçekleştirilen bir sistem ortaya konulmuştur. Görüntülerdeki damar ağı bölütlemesi için üç farklı derin öğrenme sinir ağı mimarisi kullanılmıştır. Kullanılan derin öğrenme sinir ağı mimarileri sırası ile Otomatik kodlayıcı (AutoEncoder), U-Net ve ResNet+U-Net ağlarıdır. Otomatik bölütleme adımında kullanılan derin öğrenme sinir ağı mimarilerinin eğitimi için oluşturulan veri setinde, eğitim için 1806 adet test için ise 34 adet görüntü kullanılarak eğitim ve test işlemi tamamlanmıştır. Üç ağ mimarisinden elde edilen eğitilmiş ağ modeli ile yapılan test işleminde en yüksek doğruluk başarım değerini %97,31 ile ResNet+U-Net ağı vermiştir. Bölütleme işleminden sonra, vasküler analiz aşamasından önce, bölütlenmiş görüntüler üzerinde ikilileştirme (ing: binarization) işlemi uygulanarak, bölütlenmiş görüntülerdeki sadece beyin damar ağının belirginleştirilmesi sağlanmıştır. Tez çalışmasının bir sonraki aşamasında ise bölütlenmiş beyin damar ağı görüntüleri kullanılarak vasküler analiz işlemi gerçekleştirilmiştir. Yapılan vasküler analiz ile beyin damar ağının, vasküler alan fraksiyonu, dallanma noktası sayısı (ing: branching point), dal sayısı (ing: branch number) ve vasküler uzunluk (damar uzunluğu) metrikleri hesaplanmıştır. Elde edilen sonuçlar, medikal alanda kullanılan angiotool ve fiji uygulamaları ile karşılaştırılmıştır. Doğruluk, birleşimlerin kesişimi (ing: Intersection Over Union-IoU), zar katsayısı (ing: dice coefficient), kesinlik (ing: precision) ve duyarlılık (ing: recall) değerlendirme kriterleri ile değerlendirmeler yapılmıştır. Tez çalışması kapsamında yazılan uygulama, var olan analiz uygulamaları (Angiotool ve Fiji makrosu) ile aynı veri seti kullanılarak test edilerek sonuçları karşılaştırılmıştır. Analiz sonuçları, tez çalışmasında yapılan uygulamanın medikal alanda kullanılan diğer uygulamalara kıyasla değerlendirme metriklerine göre daha iyi sonuçlar verdiğini göstermektedir.

Convolutional Neural Network (CNN), which is a multi-layered feed-forward artificial neural network model, is frequently used especially during feature extraction and analysis on images. In this thesis study, a deeplearning neural network-based automatic vascular network segmentation system was introduced by using real brain vascular network images obtained in two dimensions. Three different deep learning neural network maritimes are used for vascular network segmentation in the images. The deep learning neural network architectures used are AutoEncoder, U-Net and ResNet+U-Net networks, respectively. In the data set created for the training of the deep learning neural network architectures used in the automatic segmentation step, the training and testing process was completed by using 1806 images for training and 34 images for testing. In the test process with the trained network model obtained from the three network architectures, the ResNet+U-Net network gave the highest performance accuracy value with 97,31%. After the segmentation process, before the vascular analysis step, the binaryization process was applied on the segmented images, and only the cerebral vascular network in the segmented images was clarified. In the next stage of the thesis, vascular analysis was performed using segmented brain vascular network images. With the vascular analysis, the vascular area fraction, branching point number, branch number and vascular length metrics of the cerebral vascular network were calculated. The results obtained were compared with the angiotool and fiji applications used in the medical field. Evaluations were made with the evaluation criteria of accuracy, Intersection Over Union-IoU, dice coefficient precision and recall. The application written within the scope of the thesis study was tested using the same data set with the existing analysis applications (Angiotool and Fiji macro) and the results were compared. Analysis results show that the application made in the thesis study gives better results compared to other applications used in the medical field, according to evaluation metrics.