Tez No	İndirme	Tez Künye	Durumu
651041		A novel approach in 3D reconstruction of coronary artery tree from 2D X-ray angiograms / 2-D X-ray anjiyogramlardan koroner arter ağacının 3-D yeniden yapılandırmasında yeni bir yaklaşım Yazar:İBRAHİM ATLI Danışman: DR. ÖĞR. ÜYESİ OSMAN SERDAR GEDİK Yer Bilgisi: Ankara Yıldırım Beyazıt Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Biyomühendislik = Bioengineering Dizin:Makine öğrenmesi = Machine learning	Onaylandı Doktora İngilizce 2020 132 s.
Kardiyovasküler hastalıklar gelişmiş ve gelişmekte olan ülkelerde yaygın olup, dünyadaki tüm ölümlerin üçte birinden sorumludur. Bu yüzden vasküler hastalıkların doğru teşhisi, ölüm oranını azaltmada ve tüm dünyanın yaşam kalitesini artırmada kritik bir rol oynamaktadır. Koroner hastalıkların teşhisi için MRA, CTA, DSA gibi birçok görüntüleme yöntemi olmasına rağmen, X-Ray anjiyografi görüntüleme tekniği kliniklerde en çok kullanılan (altın standart) yöntem olarak karşımıza çıkmaktadır. Ancak, bu görüntüleme tekniği üç boyutlu (3B) yapıların iki boyutlu (2B) temsili ile sınırlı kalmakta ve doğru tanı büyük ölçüde kardiyologların tecrübesine dayanmaktadır. Bu bağlamda 3D görüntüleme teknolojileri, özellikle kan damarlarının görüntülenmesi ve nicelendirilmesinde doğru bir değerlendirme için objektif, operatörden bağımsız bir araç sunabilmektedir. Ayrıca bu teknoloji klinik kararlara rehberlik edebilme potansiyeline sahiptir. Bu nedenle, anjiyogramlardan otomatik ve doğru bir damar ağacı geriçatımının geliştirilmesi oldukça gereklidir. Literatürde, koroner arter ağaçlarının 3B geriçatımı için çeşitli yöntemler mevcuttur, ancak bu yöntemler analitik çözümler sunmakta ve epipolar geometri özelliklerinin kullanılabilmesi için kamera kalibrasyonuna veya öznitelik çıkarımlarına ihtiyaç duymaktadır. Bu yöntemlerden bazıları manuel yardım gerektirmektedir. Teknolojideki son gelişmeler ve öğrenmeye dayalı 3B geriçatım yöntemlerinde gösterilen büyük efor, nesnelerin herhangi bir kamera kalibrasyonuna veya öznitelik çıkarma adımlarına ihtiyaç duymadan da 3B modelinin oluşturulmasını sağlamaktadır. Bu tezde, X-Ray anjiyogramlarından koroner arter ağacının 3B geriçatımı için derin öğrenme mimarileri kullanarak uçtan uca tam otomatik bir yöntem geliştirilmiştir. Bu yöntem temelde 2 adım içermektedir: (1) kan damarı bölütlemesi ve (2) birinci bölümde bölütlenmiş damarların 3B geriçatımı. Kan damarı bölütlemesi için Sine-Net adlı yeni ve tamamen evrişimsel derin öğrenme mimarisi ve 3B geriçatım işlemi için birden fazla derin öğrenme mimarisi önerilmiştir. 3B geriçatım ağlarına giriş sinyali olarak ilk bölümde çıkarılan bölütlenmiş kan damarı görüntüleri verilmekte olup ve çıktı olarak 3B silindirik yapıları tutabilen bizim tanımladığımız bir veri yapısı bulunmaktadır. 3B tübüler şekillerin tutulmasını sağlayan veri yapısı literatürde yenidir. Derin öğrenme mimarilerinin eğitimi gerçekleştirilirken çok sayıda etiketlenmiş eğitim verisine ihtiyaç duyduklarından, 9 hastaya gerçek verilerden sentetik olarak çok sayıda 3B koroner damar ağacı ürettik. Daha sonra, bölütlenmiş damar görüntülerinin 3B modelini tahmin etmek için CNN, LSTM ve GRU tabanlı derin öğrenme mimarileri geliştirdik. Koroner arterlerin 3B geriçatımında 3B tübüler şekiller için tanımladığımız veri yapısının geçerliliğini ve önerdiğimiz yöntemi deneysel olarak doğruladık.
Cardiovascular diseases are common health problems in both developing and developed countries and responsible for one-third of all deaths around the globe. Therefore, accurate diagnosis of vascular diseases plays a critical role in decreasing the rate of deaths and improving the quality of life of the whole world. Although there are many imaging modalities used to diagnose coronary diseases such as DSA, MRA, CTA, etc., X-Ray angiography is used as a gold standard technique among them in clinics. However; it is limited by inherent two-dimensional (2D) representation of three-dimensional (3D) structures and the diagnosis relies heavily on the experience of cardiologists. In this manner, 3D imaging technologies provide an objective, operator-independent tool for an accurate assessment, especially in visualization and quantification of blood vessels. In addition, this technology has the potential to guide clinical decisions. Therefore, the development of an automated and accurate vessel-tree reconstruction from angiograms is highly desirable. In literature, several methods exist for 3D reconstruction of coronary artery trees, but they propose analytical methods that require camera calibration or feature extraction to match correspondences in images for the utilization of epipolar geometry properties. Some of these methods require manual assistance. However; recent developments in technology and tremendous effort drawn in learning-based 3D reconstruction methods enable objects to be reconstructed without any camera calibration or feature extraction steps. In this thesis, we develop an end-to-end fully automated pipeline using deep learning architectures for 3D reconstruction of coronary artery tree from X-Ray angiograms. The pipeline contains mainly 2 steps: (1) blood vessel segmentation and (2) 3D reconstruction of vessels segmented in the first part. We propose a novel fully convolutional deep learning architecture, called Sine-Net, for blood vessel segmentation and multiple deep learning architectures for 3D reconstruction. The input to 3D reconstruction networks is the segmented image extracted in the first part, and the output is a well-defined 3D representation of connected cylinders. This structured definition for 3D tubular shapes is novel to the literature. As deep learning architectures need plenty of training data with ground-truth, we populate 3D coronary arterial trees synthetically from real data of 9 subjects. After generating relatively enough data for training, we propose multi-view CNN, LSTM and GRU based architectures to predict 3D model of given multiple segmented vessel images. We have validated our method and the data structures defined for 3D tubular shapes in the 3D reconstruction of coronary arteries.