Multi Depth V-Net model ile 3 boyutlu böbrek ve tümör segmentasyonu
Abstract
Böbrek kanseri günümüzde hızla yayılan önemli bir kanser türüdür. Son yıllarda, böbrek kanseri için birçok tedavi yöntemi geliştirilmekle birlikte mevcut çalışmalar halen devam etmektedir. Bu çalışmalar, böbrek kanseri hastalarının hayatlarına yeni bir umut sunan tedavi bilgilerini mümkün kılmaktadır. Çalışmalar incelendiğinde tıbbi segmentasyonda önemli bir alternatif gibi gözükmektedir. Hastalık sinsi ilerleyebilmekle beraber bazen son evreye kadar hastalarda ciddi bir şikâyet bile olmayabilir. Bu yüzden segmentasyon erken tanı ve teşhis için önem arz etmektedir. Bu çalışmada da hekimlere yardımcı olabilmek amacıyla düşünülerek hazırlanmıştır. Burada Multi Depth V-Net modeli üzerinde iyileştirmeler yapılarak başarılı sonuçlar elde edilmiştir. Multi Depth V-Net model ve V-Net model böbrek segmentasyonu için sırasıyla 0,949 ve 0,944 zar katsayısı, tümör segmentasyonu için de 0,841 ve 0,830 zar katsayısına ulaşmıştır. Elde edilen veriler doğrultusunda böbrek ve tümör segmentasyonu için V-Net modellerin uygulanabilir ve doğru sonuçlar verebildiğini söyleyebiliriz.
Keywords
References
- Cancer Imaging Archive. Retrieved from.https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=61081171 , Ağustos, 2020.
- Chen,S., Holger,R. Hirohisa,O., Masahiro, H., Yuichiro,,M., Kazunari, M.(2018). “On the influence of Dice loss function in multi-class organ segmentation of abdominal CT using 3D fully convolutional networks”. Open access: arXiv:1801.05912v1.
- Chengqin Ye; Wei Wang; Shanzhuo Zhang; Kuanquan Wang. (2019). Multi-Depth Fusion Network for Whole Heart CT Image Segmentation.(IEEE).
- Chow, WH., Devesa, SS., Warren, JL., et al. (1999). Rising incidence of renal cell cancer in the United States”, JAMA ,281:1628-31.
- G. Larsson, M. Maire, and G. Shakhnarovich. (May 2016). ‘‘FractalNet: Ultra-deep neural networks without residuals.’’ [Online]. Available: https://arxiv.org/abs/1605.07648.
- Heller N., Isensee, F.,Klaus, H., et al., “The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging: Results of the KiTS19 Challenge”, 2019.
- Heller, N., Sathianathen, N., Kalapara, A., et al., (2019).” The KiTS19 Challenge Data: 300 Kidney Tumor Cases with Clinical Context”, CT Semantic Segmentations, and Surgical Outcomes, Minnesota University.
- Isensee, F.; Jäger, P.F.; Kohl, S. A.; Petersen, J.; Maier-Hein, K.H.(2019). Automated Design of Deep Learning Methods for Biomedical Image Segmentation, Open Access: arXiv preprint arXiv:1904.08128.
- Jemal, A., Siegel, R., Xu, J, Ward, E. (2010). “Cancer statistics”, CA Cancer J Clin. Vol. 60: pp. 277–300.
- Li, C.; Tan, Y.; Chan, W.; Luo, X.; Yulin, H.; Gao, Y.; Li, F. (2020). ANU-Net: Attention- based Nested U-Net To exploit full resolution features for medical image segmentation. Computers & Graphics, 90, 11-20. [CroosRef]