Bilgisayarlı tomografi görüntüleri üzerinde Covid-19 enfeksiyonu için evrişimli sinir ağı mimarileri ve ilgi blokları ile bölütleme

Abstract

Günümüzde gelişen yapay zeka teknolojileri ile birlikte medikal alanda yaygınlıkla kullanılan bilgisayarlı tomografi (BT), manyetik rezonans (MR) ve ultrason (US) cihazlarıyla edinilen görüntüler üzerinde hastalık tespiti, teşhisi ve takibi yapmak mümkün hale gelmiştir. Bu tezde Covid-19 virüsüne yakalanmış olan hastalar için çekilmiş akciğer BT görüntülerine yansıyan enfeksiyonların çeşitli görünümleri ve sınıflandırılmaları incelenmiştir. Aynı zamanda medikal görüntü bölütleme alanında yaygınlıkla kullanılan evrişimli sinir ağı mimarileri ile ilgi bloklarının bu mimarilere olan katkısı araştırılmıştır. Halka açık bir veri setindeki örnek akciğer BT görüntülerinde akciğer bölütlemesi ve enfeksiyon teşhisi yapabilmek için U-Net ve ilgi U-Net mimarileri ile deneysel çalışmalar yapılmıştır. 870 BT görüntüsü ile model eğitimi gerçekleştirilmiş, 186 BT görüntüsü ile model geçerlenmiş ve 186 BT görüntüsü üzerinde de test edilmiştir. En başarılı U-Net ve ilgi U-Net modellerinin ortalamada sırasıyla %76 ve %77 Dice ölçütü değeriyle enfeksiyon bölütlemesini gerçekleştirdiği ve her iki modelin de %85 Dice ölçütü değeriyle akciğer bölütlemesini başardığı gözlemlenmiştir. Sonuçta ilgi UNet modelinin enfeksiyon bölütlemesi probleminde sadece U-Net modelinin kullanımından daha etkin olduğu ve dolayısıyla akciğerde hastalık teşhis sistemleri için daha uygun bir altyapı oluşturacağı anlaşılmıştır.Today, with the developing artificial intelligence technologies, it has become possible to detect, diagnose and follow up diseases on images obtained with computerized tomography (CT), magnetic resonance (MR) and ultrasound (US) devices, which are widely used in the medical field. In this thesis, various appearances and classifications of infections reflected in lung CT images taken for patients infected with the Covid-19 virus were examined. At the same time, the contribution of convolutional neural network architectures and interest blocks, which are widely used in the field of medical image segmentation, to these architectures was investigated. Experimental studies have been carried out with U-Net and relevant U-Net architectures to perform lung segmentation and infection diagnosis on sample lung CT images in a publicly available data set. Model training was carried out with 870 CT images, the model was validated with 186 CT images and tested on 186 CT images. It was observed that the most successful U-Net and relevant U-Net models achieved infection segmentation with 76% and 77% Dice criterion value on average, respectively, and both models achieved lung segmentation with 85% Dice criterion value. As a result, it has been understood that the U-Net model is more effective than the use of only the U-Net model in the infection segmentation problem and therefore will constitute a more suitable infrastructure for lung disease diagnosis systems.