Beyin MRG lezyonları için metaheuristik optimizasyon tabanlı hibrit amaç fonksiyonlu adaptif çoklu eşikleme

Abstract

Bu çalışmada, beyin Manyetik Rezonans Görüntüleme (MRG) görüntülerindeki patolojik lezyonların otomatik bölütlenmesi için metaheuristik optimizasyon tabanlı, adaptif çoklu eşikleme yöntemi önerilmektedir. Yöntem, Düşük Dereceli Glioma (LGG) olgularının FLAIR sekanslarına odaklanmakta ve Otsu (Sınıflar Arası Varyans), Kapur (Sınıf İçi Entropi) ile Rényi (Parametrik Entropi) ölçütlerini birleştiren bir Hibrit Amaç Fonksiyonunun (JH) maksimizasyonuna dayanmaktadır. Eşik optimizasyonu, Guguk Kuşu (CS) ve Parçacık Sürü Optimizasyonu (PSO) algoritmalarıyla gerçekleştirilmiş; nihai segmentasyon maskesi seçimi ise Dice Katsayısı’na göre yapılmıştır. TCIA TCGA-LGG koleksiyonundan 102 olgu üzerinde, "Balanced" (Dengeli) optimizasyon profili ve gelişmiş son-işleme adımları ile yürütülen deneysel çalışmalar, 0.881 Genel Medyan Dice Katsayısı elde etmiştir. İstatistiksel analiz (Wilcoxon testi), CS algoritmasının, PSO’ya kıyasla sınır doğruluğu metriklerinde [Ortalama Simetrik Yüzey Mesafesi (ASSD, p=0.0076) ve 95. Persentil Hausdorff Mesafesi (HD95, p=0.0263)] istatistiksel olarak anlamlı bir üstünlük sağladığını (p<0.05) göstermiştir. Elde edilen 0.881 Medyan Dice skoru, önerilen metaheuristik yaklaşımın, zorlu lezyon segmentasyonu görevinde güçlü ve veri- verimli bir çözüm sunduğunu teyit etmektedir.This study proposes a metaheuristic optimization–based adaptive multi-thresholding method for automatic segmentation of pathological lesions in brain Magnetic Resonance Imaging (MRI). The method focuses on FLAIR sequences of Low-Grade Glioma (LGG) cases and is based on maximizing a Hybrid Objective Function (𝐽𝐻) that combines Otsu (Between-Class Variance), Kapur (Within-Class Entropy), and Rényi (Parametric Entropy) criteria. Threshold optimization is performed with the Cuckoo Search (CS) and Particle Swarm Optimization (PSO) algorithms; the final segmentation mask is selected according to the Dice Coefficient. On 102 cases from the TCIA TCGA-LGG collection, experimental studies conducted with a “Balanced” optimization profile and advanced post-processing steps yielded an overall median Dice Coefficient of 0.881. Statistical analysis (Wilcoxon test) showed that the CS algorithm achieved a statistically significant advantage over PSO in boundary accuracy metrics [Average Symmetric Surface Distance (ASSD, p=0.0076) and 95th Percentile Hausdorff Distance (HD95, p=0.0263)] (p<0.05). The obtained median Dice score of 0.881 confirms that the proposed metaheuristic approach provides a strong and data-efficient solution to the challenging lesion segmentation task.