Tez No	İndirme	Tez Künye	Durumu
729327		Derin öğrenme tabanlı prostat görüntülerinin segmentasyonu / Segmentation of deep learning-based prostate images Yazar:HAKAN ÖCAL Danışman: PROF. DR. NECAATTİN BARIŞÇI Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Evrişimli sinir ağları = Convolutional neural networks ; Görüntü işleme = Image processing ; Prostat = Prostate	Onaylandı Doktora Türkçe 2022 92 s.
Çağımızın en büyük hastalıklarından birisi olan kanserle mücadelede birçok çalışma yapılmaktadır. Erkekler arasında önde gelen kanser türlerinden birisi ise prostat kanseridir. Prostat kanseri erken safhada teşhis edilebilirse tedavisi kolaydır. Prostat bezesinin görüntülenmesinde açısal (axial, coronal, sagital) görüntüleme imkanı sayesinde daha kesin bilgiler sunduğu için Manyetik Rezonans Görüntüleme en çok kullanılan tanılama yöntemidir. Fakat Manyetik Rezonans (MR) cihazlarından elde edilen görüntülerinde prostat bezesinin tutarsız ve homojen olmayan görüntüsü uzman radyologlar tarafından yapılan manuel segmentasyonu (bölütlemesi) zaman alıcı ve sıkıcı bir iş haline getirmektedir. Bu sorunla başa çıkabilmek için günümüzde bilgisayar destekli Derin Evrişimsel Sinir Ağları' ndan (DESA) oluşan akıllı mimariler geliştirilmeye başlanmıştır. Bu tez çalışmasında DESA mimarilerinden ilham alarak prostat görüntülerinin uçtan uca otomatik bölütlemesi için derin öğrenme tabanlı iki farklı füzyon mimarisi önerilmiştir. Önerilen birinci mimaride, 3 Boyutlu Artık Bloklu U-Net (ResU-Net 3B) ile 2 Boyutlu Artık Bloklu U-Net (ResU-Net 2B) modelleri kaynaştırılmıştır. Önerilen ikinci mimaride ise, ET-net (Kenar Dikkat Ağı), 3 boyutlu Volumetrik Evrişimsel Sinir Ağı (V-Net 3B) ve 2 Boyutlu Artık Bloklu U-Net (ResU-Net 2B) modelleri kaynaştırılmıştır. Önerilen birinci mimaride, modelin performansını en iyi seviyeye çıkarmak için yeni bir yaklaşım olarak Dinamik Durum Tipi Odak Twersky (DDTOT) kayıp fonksiyonu kullanılmıştır. Önerilen ikinci mimaride ise, modelin performansını en iyi seviyeye çıkarmak için yeni bir yaklaşım olarak Ağırlıklandırılmış Odak Twersky(AOT) hibrit kayıp fonksiyonu kullanılmıştır. İki farklı halka açık prostat veri setinde (Promise12 ve NCI_ISBI-2013) elde edilen test sonuçları önerilen her iki modelin de çok sağlam modeller olduğunu göstermektedir.
Many studies are carried out in the fight against cancer, one of the biggest diseases of our age. One of the leading types of cancer among men is prostate cancer. Prostate cancer is easy to treat if detected at an early stage. Magnetic Resonance Imaging is the most used diagnostic method, as it provides more precise information thanks to the angular (axial, coronal, sagittal) imaging opportunity in the imaging of the prostate gland. However, the inconsistent and inhomogeneous appearance of the prostate gland in the images obtained from Magnetic Resonance (MR) devices makes manual segmentation by expert radiologists a time-consuming and tedious task. Therefore, intelligent architectures consisting of computer-aided Deep Convolutional Neural Networks (DCNN) have been developed. This thesis proposes two different deep learning-based fusion architectures for end-to-end automatic segmentation of prostate images, inspired by DCNN architectures. 3D U-Net with Residual Blocks (ResU-Net 3D) and 2D U-Net with Residual Blocks (ResU-Net 2D) models are fused in the first proposed architecture. In the second proposed architecture, ET-Net (Edge Attention Network), 3D Volumetric Convolutional Neural Network (V-Net 3D), and 2D Residual Block U-Net (ResU-Net 2D) models are fused. In the first proposed architecture, the Dynamic Case-Wise Focal Twersky (DCWFT) loss function is used as a new approach to optimizing the model's performance. In the second proposed architecture, the Weighted Focal Twersky (WFT) hybrid loss function is used as a new approach to optimizing the model's performance. Test results from two different public prostate datasets (Promise12 and NCI_ISBI-2013) show that the proposed models are very robust.