MR taramaları üzerinde derin öğrenme modelleri kullanılarak multipl skleroz lezyonlarının otomatik tespiti ve değişiminin takibi
Citation
Yıldırım, M. S. (2022). MR taramaları üzerinde derin öğrenme modelleri kullanılarak multipl skleroz lezyonlarının otomatik tespiti ve değişiminin takibi. [Yayımlanmamış doktora tezi]. Bilecik Şeyh Edebali Üniversitesi.Abstract
Multipl Skleroz (MS) hastalığı genç ve orta yaşlı insanlarda sıkça görülen beyin ve omuriliği
etkileyen, yaygın bir merkezi sinir sistemi (MSS) rahatsızlığıdır. MSS içinde bulunan sinir
ağları üzerindeki kılıf yapısında oluşan iltihap sonucunda meydana gelen hastalık kişide önemli
bilişsel kayıplara neden olur. MS hastalarında fonksiyonel yeti kayıpları ve ileri safhalarda geri
dönülemez beyin hasarları da görülebilir. Bu nedenlerden dolayı MS hastalığının erken
aşamada tespiti ve takibi oldukça önemlidir. MS’in teşhisinde ve takibinde manyetik rezonans
(MR) görüntüleme yaygın olarak olup teşhis için genellikle en az iki farklı periyottaki
taramalarda MS lezyonlarının görülmesi beklenmektedir. Hastalığın takibi MR kesitlerindeki
lezyonların değişimlerinin izlenmesi ile yapılmaktadır. MS lezyonlarının boyutlarının küçük
olması ve beyindeki başka nörolojik rahatsızlıklara benzemesi, MS lezyonlarının tespitini
zorlaştırmaktadır. Bu tez çalışmasında, MR görüntüleri üzerinde MS lezyonlarının otomatik
tespiti için iyileştirilmiş bir derin öğrenme modeli (iMask R-CNN) önerilmiştir. Bu modelde
Maske-Tabanlı Bölgesel Evrişimsel Sinir Ağı (Mask R-CNN) mimarisinin tahmini önemli
bölge hizalama (RoIAlign) işleminde iyileştirme yapılmıştır. Ayrıca, MS lezyonlarının tespiti
için 52 hastadan periyodik olarak alınan FLAIR MR kesitlerini içeren MSAkdeniz isimli bir
MR veriseti hazırlanmıştır. Tez kapsamında, ek olarak, MS lezyonlarının otomatik tespiti ve
değişimin takibi için, hekimlere yardımcı olabilecek, iMask R-CNN modelini kullanan
DeepMSWeb isimli web tabanlı bir karar destek sistemi (KDS) uygulaması geliştirilmiştir.
Bunun yanında, MS lezyonlarının otomatik tespiti için, önerilen iMask R-CNN modeli başta
olmak üzere, MSAkdeniz veriseti ve eHealth, UMCL, ISBI2015 ve MICCAI2008 verisetleri
üzerinde, iki faklı platformda beş farklı derin öğrenme modeli kullanılarak deneysel çalışmalar
yürütülmüştür ve sonuçlar karşılaştırılmıştır. Önerilen iMask R-CNN kullanılarak, lezyon
tespitinde, verisetlerinde Dice benzerlik katsayısı (DSC) için %88.32±4.44 skorları, lezyon
doğru pozitif oranı (LTPR) için %89.80±3.54 skorları elde edilmiştir. Önerilen iMask R-CNN
ve DeepMSWeb yapıları ile MS lezyonlarının tespiti ve değişiminin takibinde kullanılabilecek
yardımcı araçlar geliştirilmiştir. Multiple Sclerosis (MS) is a common central nervous system (CNS) disorder that affects the
brain and spinal cord, which is common in young and middle-aged people. The disease that
occurs as a result of inflammation in the sheath structure on the neural networks in the CNS
causes significant cognitive losses in the person. Loss of functional ability and irreversible brain
damage can be seen in advanced stages in MS patients. For these reasons, early detection and
follow-up of MS disease is very important. Magnetic resonance (MR) imaging is common in
the diagnosis and follow-up of MS, and MS lesions are generally expected to be seen on scans
of at least two different periods. The follow-up of the disease is determined by following the
changes of the lesions in the MR sections. MS lesions are small in size and resemble other
neurological disorders in the brain, making it difficult to detect MS lesions. In this thesis, an
improved deep learning model (iMask R-CNN) is proposed for automatic detection of MS
lesions on MR images. In this model, the prediction important region alignment (RoIAlign)
process of Mask-Based Regional Convolutional Neural Network (Mask R-CNN) architecture
is improved. In addition, an MR dataset named MSAkdeniz has been prepared, which includes
FLAIR MR sections periodically obtained from 52 patients for the detection of MS lesions.
Moreover, a web-based decision support system (DSS) application named DeepMSWeb, which
uses the iMask R-CNN model, has been developed to help physicians for automatic detection
of MS lesions and monitoring of change. For the automatic detection of MS lesions,
experimental studies are carried out on MSAkdeniz dataset and eHealth, UMCL, ISBI2015 and
MICCAI2008 datasets on two different platforms, using five different deep learning models,
primarily the proposed iMask R-CNN model, and the results are compared. Using the proposed
iMask R-CNN, scores of 88.32±4.44% for Dice similarity coefficient (DSC) and 89.80±3.54%
for lesion true positive rate (LTPR) are obtained in lesion detection datasets. With the proposed
iMask R-CNN and DeepMSWeb, assistant tools that can be used in the detection and
monitoring of MS lesions have been developed.