TY  - JOUR
T1  - Enhancing Aorta Segmentation in Contrast CT Images: A Novel Deep Architectural Approach
TT  - AAort Segmentasyonunu Kontrastlı Bilgisayarlı Tomografi Görüntülerinde Geliştirme: Yenilikçi Derin Mimari Yaklaşımı
AU  - Bozkır, Ömer Faruk
AU  - Urfalı, Ataberk
AU  - Çelikten, Azer
AU  - Demirel, Semih
AU  - Budak, Abdulkadir
AU  - Karataş, Hakan
AU  - Ceylan, Murat
PY  - 2024
DA  - December
Y2  - 2024
DO  - 10.47495/okufbed.1457674
JF  - Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi
JO  - Osmaniye Korkut Ata University Journal of The Institute of Science and Techno
PB  - Osmaniye Korkut Ata Üniversitesi
WT  - DergiPark
SN  - 2687-3729
SP  - 2284
EP  - 2303
VL  - 7
IS  - 5
LA  - en
AB  - Manual segmentation of patient CT images is both time-consuming and labor-intensive. Additionally, classic image processing techniques are insufficient in CT images due to the close pixel values of tissues. Automatic segmentation of the aorta in human anatomy can reduce healthcare workers' workload in preoperative planning. This study compares the performance of the AKG-Unet segmentation model with other models (U-Net, Inception UNetv2, LinkNet, SegNet, and Res-Unet) on thoracic aorta, abdominal aorta, and iliac arteries segmentation in contrast CT images. Initially, pixel intensities in the Kits and Rider datasets were recalibrated. Then, 2D axial images underwent resizing and grayscale normalization. Segmentation models have been trained and tested with 5-fold cross-validation. 2D prediction masks were stacked to generate a 3D output, and spatial information was transferred to the predicted mask. In the 3B aortic segmentation, small objects adjacent to it were removed using image processing techniques. In our study, the AKG-UNET model achieved the highest segmentation results on the AVT dataset with a Dice score of 91.2%, Intersection-Over-Union (IoU) score of 85.6%, sensitivity of 90.9%, and specificity of 99%. A method has been proposed that helps physicians analyze the aortic structure, and segments the aortic structure so that they can intervene in the correct location and make a preoperative evaluation.
KW  - Aortic segmentation
KW  - AKG-UNet
KW  - Computer tomography angiography
KW  - Deep learning
KW  - mage Processing
N2  - Hasta bilgisayarlı tomografi (BT) görüntülerinin manuel segmentasyonu hem zaman alıcı hem de emek yoğun bir işlemdir. Ayrıca, doku piksel değerlerinin yakınlığı nedeniyle BT görüntülerinde klasik görüntü işleme teknikleri yetersizdir. İnsan anatomisinde aortun otomatik olarak segmentasyonu, ameliyat öncesi planlamada sağlık çalışanlarının iş yükünü azaltabilir. Bu çalışma, kontrastlı BT görüntülerinde torasik aorta, abdominal aorta ve iliak arterlerin segmentasyonunda AKG-Unet segmentasyon modelinin diğer modellerle (U-Net, Inception UNetv2, LinkNet, SegNet ve Res-Unet) performansını karşılaştırır. İlk olarak, Kits ve Rider veri kümelerinde piksel yoğunlukları yeniden kalibre edildi. Daha sonra, 2B eksenel görüntüler yeniden boyutlandırıldı ve gri tonlaması normalleştirildi. Segmentasyon modelleri 5 katlı çapraz doğrulama yöntemi ile eğitilip test edilmiştir. 2B tahmin maskeleri üst üste eklenilerek 3B bir çıktı elde edildi ve tahmin edilen maskeye mekansal bilgi aktarıldı. 3B aortik segmentasyonun yanındaki küçük nesneler görüntü işleme teknikleri ile kaldırıldı. Çalışmamızda, AKG-UNET modeli, AVT veri setinde Dice skoru %91.2, IoU skoru %85.6, hassasiyet %90.9 ve özgüllük %99 ile en yüksek segmentasyon sonuçlarını elde etti. Doktorların aortik yapıyı analiz etmelerine yardımcı olacak ve doğru konumda müdahale edebilmeleri ve ameliyat öncesi değerlendirme yapabilmeleri için aortik yapının segmentasyonunu yapacak bir yöntem önerilmiştir.
CR  - Aldoj N., Biavati F., Michallek F., Stober S., Dewey M. Automatic prostate and prostate zones segmentation of magnetic resonance images using DenseNet-like U-net. Scientific Reports 2020;10(1):1-17.
CR  - Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence 2017;39(12):2481-2495.
CR  - Benčevi´benčevi´c M., Habijan M., Gali´cgali´c I., Babin D. Using the Polar Transform for Efficient Deep Learning-Based Aorta Segmentation in CTA Images. International Symposium ELMAR 2022 Sep 12, pp. 191-194.
CR  - Bonechi S., Andreini P., Mecocci A., Giannelli N., Scarselli F., Neri E., Bianchini M., Dimitri GM. Segmentation of Aorta 3D CT Images Based on 2D Convolutional Neural Networks. Electronics 2021;10(20):2559.
CR  - Brutti F., Fantazzini A., Finotello A., Müller LO., Auricchio F., Pane B., Spinella G., Conti M. Deep learning to automatically segment and analyze abdominal aortic aneurysm from computed tomography angiography. Springer. 2022;13(4):535-547.
CR  - Chaurasia A., Culurciello E. LinkNet: Exploiting encoder representations for efficient semantic segmentation 2017 IEEE Visual Communications and Image Processing, 1-4 January 2018.
CR  - Chollet F. Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition 2017:1251-1258.
CR  - Dasgupta A, Mukhopadhyay S, Mehre SA, Bhattacharyya P. Morphological geodesic active contour based automatic aorta segmentation in thoracic CT images. Proceedings of International Conference on
UR  - https://doi.org/10.47495/okufbed.1457674
L1  - https://dergipark.org.tr/tr/download/article-file/3816414
ER  -