SegNet Mimarisi ile Bilgisayarlı Tomografi Görüntülerinden Karaciğer Bölgesinin Bölütlenmesi

Öz

Son zamanlarda teknolojinin gelişmesiyle birlikte, tıbbi görüntüleme daha kaliteli bir hale gelmiştir. Bu durum doktorların işlerini hem kolaylaştırmakta hem de tanı ve tedavi işlemlerinin güvenirliliğini artırmaktadır. Bilgisayarlı Tomografi (BT) önemli bir medikal görüntüleme sistemidir ve karaciğer gibi bazı organların izlenmesinde önemli role sahiptir. Karaciğer tümörlerinin boyutlarının belirlenmesi veya karaciğer nakli öncesinde karaciğer hacminin hesaplanması oldukça önemlidir. BT görüntü serilerinden manuel olarak bu karaciğer hacminin hesaplanması doktorlar için hem zor hem de zaman alıcı bir işlemdir. Bu işlemlerin bilgisayar ile otomatik yapılması arzu edilmektedir. Bu çalışmada, BT görüntü serilerinden karaciğer bölgesinin bölütlenmesi için derin mimariye sahip bir yöntem önerilmiştir. Yöntem, ön işlemler ve derin SegNet mimarisine dayanmaktadır. Ön işlemler, SegNet öncesi BT görüntü serisinin daha elverişli hale getirilmesini amaçlarken, SegNet ile bölütleme işlemi yapılmaktadır. Çalışmada, Dokuz Eylül Üniversitesi Tıp Fakültesi Radyodiagnostik Anabilim Dalı’nın sağladığı 20 DICOM serisi kullanılmıştır. Elde edilen bölütleme sonuçları sırası ile hacimsel örtüşme, bağıl mutlak hacim farkı, ortalama simetrik yüzey mesafesi, etkin simetrik yüzey mesafesi ve en büyük simetrik yüzey mesafesi kriterleri olarak değerlendirilmiştir. Elde edilen sonuçlar cesaret vericidir.

Anahtar Kelimeler

• Bilgisayarlı Tomografi,Derin Öğrenme,SegNet,Karaciğer Bölütleme

Kaynakça

1. Campadelli, P., Casiraghi, E., & Pratissoli, S. A segmentation framework for abdominal organs from CT scans. Artificial Intelligence in Medicine, 2010; 50(1), pp. 3-11.
2. Linguraru, M. G., Sandberg, J. K., Li, Z., Shah, F., & Summers, R. M. Automated segmentation and quantification of liver and spleen from CT images using normalized probabilistic atlases and enhancement estimation. Medical physics, 2010; 37(2), pp. 771-783.
3. Häme, Y. Liver Tumor Segmentation Using Implicit Surface Evolution. Proceedings of the MICCAI Workshop on 3D Segmentation in the Clinic: A Grand Challenge II 2008.
4. Zayane, O., Jouini, B., & Mahjoub, M. A. Automatic liver segmentation method in CT images. Canadian Journal on Image Processing & Computer Vision, 2011; 2(8), pp. 92-85.
5. Avşar, T. S., & Arıca, S. Automatic Segmentation of Computed Tomography Images of Liver Using Watershed and Thresholding Algorithms. In EMBEC & NBC 2017, pp. 414-417. Springer, Singapore.
6. Liu, J., Wang, Z., & Zhang, R. December. Liver cancer CT image segmentation methods based on watershed algorithm. In Computational Intelligence and Software Engineering (CiSE), 2009. International Conference on IEEE, pp. 1-4.
7. Wu, W., Wu, S., Zhou, Z., Zhang, R., & Zhang, Y. 3D liver tumor segmentation in CT images using improved fuzzy C-means and graph cuts. BioMed research international, 2017.
8. Linguraru, M. G., Richbourg, W. J., Liu, J., Watt, J. M., Pamulapati, V., Wang, S., & Summers, R. M. Tumor burden analysis on computed tomography by automated liver and tumor segmentation. IEEE transactions on medical imaging, 2012; 31(10), pp. 1965-1976.

9. Bagci, U., Chen, X., & Udupa, J. K. Hierarchical scale-based multiobject recognition of 3-D anatomical structures. IEEE Transactions on Medical Imaging, 2012; 31(3), pp. 777-789.
10. Sayed, G. I., Hassanien, A. E., & Schaefer, G. An automated computer-aided diagnosis system for abdominal CT liver images. Procedia Computer Science, 2016; 90, pp. 68-73.
11. Jin, X., Ye, H., Li, L., & Xia, Q. December. Image Segmentation of Liver CT Based on Fully Convolutional Network. In Computational Intelligence and Design (ISCID), 2017 10th International Symposium on IEEE, Vol. 1, pp. 210-213.
12. Bellver, M., Maninis, K. K., Pont-Tuset, J., Giró-i-Nieto, X., Torres, J., & Van Gool, L. Detection-aided liver lesion segmentation using deep learning. 2017; arXiv preprint arXiv:1711.11069.
13. Hu, P., Wu, F., Peng, J., Liang, P., & Kong, D. Automatic 3D liver segmentation based on deep learning and globally optimized surface evolution. Physics in Medicine & Biology, 2016; 61(24), 8676.
14. Qin, W. et al. Superpixel-based and boundary-sensitive convolutional neural network for automated liver segmentation. Physics in Medicine & Biology, 2018; 63(9), 095017.
15. Zhou, X., Takayama, R., Wang, S., Hara, T., & Fujita, H. Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method. Medical physics, 2017; 44(10), pp. 5221-5233.
16. Tustison, N. J., Avants, B. B., Cook, P. A., Zheng, Y., Egan, A., Yushkevich, P. A., & Gee, J. C. N4ITK: improved N3 bias correction. IEEE transactions on medical imaging, 2010; 29(6), pp. 1310-1320.
17. Badrinarayanan, V., Kendall, A., & Cipolla, R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation. 2015; arXiv preprint arXiv:1511.00561.