|
Bu tez çalışmasının amacı, tek foton emisyon bilgisayarlı tomografi (SPECT) miyokard perfüzyon görüntülemesinden (MPG) iskemi ve enfarktüs olarak adlandırılan koroner arter hastalıklarının varlığının ve lokalizasyonunun tespiti amacıyla bilgisayar destekli sınıflandırma modelleri geliştirmektir. Derin öğrenme (DÖ) tabanlı ve kural tabanlı olmak üzere iki farklı sınıflandırma modeli önerilmiştir. İlk model, sıfırdan eğitilmiş derin sinir ağı (DNN), önceden eğitilmiş çeşitli DNN'ler ile transfer öğrenimi, bu ağlardan çıkarılan derin ve sığ öznitelikler ile destek vektör makinesi, güçlendirilmiş karar ağacı ve rastgele orman gibi çeşitli sınıflandırıcıları kullanır. İkinci model ise; uzman okuyucuların bilgisini renk eşikleme, segmentasyon, öznitelik çıkarımı ve bazı sezgisel algoritmaları içeren uygun görüntü işleme tekniklerine dönüştürmeyi amaçlamaktadır. Ayrıca, tek gün protokolüne göre istirahat/stres Tc-99m SPECT MPG için başvuran 192 hastanın görüntüleri tüm araştırmacıların kullanımına açık bir veri seti oluşturmak için toplanmıştır. Referans standart olarak iki uzman okuyucu tarafından yapılan görsel değerlendirmeler kullanılmıştır. Önerilen modellerin performansı bu referans standarda göre değerlendirilmiştir. Maksimum doğruluk, duyarlılık ve özgüllük değerleri, sırasıyla DÖ tabanlı model için %94, %88, %100, kural tabanlı model için %93, %100, %86 olarak hesaplanmıştır. Önerilen modeller uzman analizi düzeyine yakın tanı performansı sağlamaktadır. Bu nedenle, SPECT MPG'nin miyokard iskemisi ve enfarktüsü ile ilgili yorumlanması sırasında klinik karar vermede yardımcı olabilirler.
|
|
The main goal of this dissertation is to develop computer-aided classification models to identify the presence and localization of coronary artery diseases, namely ischemia and infarction, from single-photon emission computed tomography (SPECT) myocardial perfusion imaging (MPI). Two different classification models, namely deep learning (DL)-based and knowledge-based, are proposed. The first model utilizes a deep neural network (DNN) trained from scratch, transfer learning with pre-trained DNNs, various classifiers as support vector machine, boosted decision tree, random forest, with deep and shallow features extracted from those networks. The latter model, on the other hand, aims to transform the knowledge of expert readers to appropriate image processing techniques including particular color thresholding, segmentation, feature extraction, and some heuristics. Besides, the images from 192 patients, who were referred for 1-day rest/stress Tc-99m SPECT MPI were collected to constitute a publicly available dataset. Visual assessment of two expert readers on this dataset is used as a reference standard. The performances of the proposed models were then evaluated according to this standard. The maximum accuracy, sensitivity, and specificity values are computed as 94%, 88%, 100% for the DL-based model, 93%, 100%, 86% for the knowledge-based model, respectively. The proposed models provide diagnostic performance close to the level of expert analysis. Therefore, they can aid in clinical decision making for the interpretation of SPECT MPI regarding myocardial ischemia and infarction. |
