| Sumario: | Radyoterapi ve planlamada akciğer dokusu ve akciğer görüntülerinin segmentasyonunu önemlidir. Bu çalışmada Bilgisayarlı Tomografi (Computerized Tomography-CT) görüntülerinden yapay zeka ile otomatik akciğer segmentasyon modelini oluşturmak ve bu modelleri işletmek istedik. Bu işlem için GE marka Discovery Model CT ile elde edilen ve 512x512 piksel boyutunda görüntüler DICOM (Digital Imaging and Communications in Medicine) formatında alınmış ve sonra metafile ile NIFTI (Neuroimaging Informatics Technology Initiative) formatı oluşturulmuştur. LUNA16 (LUng Nodule Analysis 2016) veri seti, akciğer CT görüntülerinden oluşan ve akciğer nodüllerinin tespiti ve segmentasyonu için kullanılan bir veri kümesidir. Bu veri seti, tıbbi görüntü işleme çalışmalarında yaygın olarak kullanılmakta ve özellikle görüntü segmentasyonu için büyük önem taşımaktadır. Akciğer segmentasyonu, akciğer dokusunu çevreleyen diğer dokulardan ayırmayı amaçlayan bir işlemdir. Bu segmentasyon, nodül tespiti gibi klinik uygulamalarda önemli bir ön işleme adımıdır. Bu çalışmada, LUNA16 veri setinde yer alan CT görüntüleri, derin öğrenme tabanlı UNet (U-shape Networks for Biomedical Image Segmentation) modeli kullanılarak segmentasyon için işlenmiştir. Python3 (Monty Python's Flying Circusile) PyTorch kütüphanesi kullanılarak UNet modeli eğitilmiştir. UNet görüntü segmentasyonu için tasarlanmış bir derin öğrenme mimarisidir ve özellikle tıbbi görüntülerde yüksek doğruluk sağlayan bir modeldir. PyTorch, esnek yapısı ve GPU (Graphics Processing Unit) hızlandırmalı hesaplama desteği sayesinde eğitim sürecini kolaylaştırmıştır. Eğitim sırasında veri ön işleme (CT görüntülerinin normalize edilmesi ve yeniden boyutlandırılması) ve veri artırma teknikleri (döndürme, kırpma, kontrast artırma) kullanılmıştır. Bu modeller ile iki ve üç boyutlu (3D) akciğer görüntü ve segmenti oluşturulabilmiştir (Resim 1). DICOMM3DPLUGIN, PYTORCH UTILS, MONAI (Medical Open Network for Artificial Intelligence) AUTO3DSEG, LUNG CT SEGMENTER ANALYZER modülleri ve segmentasyon işlemi kullanılarak akciğer ve toraks üç boyutlu görüntü ve segmentler elde edilebilmiştir (Resim 2). Bu şekilde; LUNA16, UNet, PYTHON, DICOMM3DPLUGIN, PYTORCH UTILS, MONAI AUTO3DSEG, LUNG CT SEGMENTER ANALYZER modellerinin görüntü ve segmentasyon için iki ve üç boyutlu çıktı sağlayabildiği ve CT görüntüleri den akciğer dokularının otomatik segmentasyonunda faydalı olabildiği anlaşılmaktadır. Radyasyon Onkolojisi uygulamalarında akciğer dokusunun belirlenmesi için otomatik segmentasyon sistemlerinin kullanımı önemlidir ve bu alandaki çalışmalara katkı sağlamaktadır. Daha fazla CT görüntüleri kullanılarak yapay zekanın kaliteli segmentasyon sağlaması, bu alanda bilgi artışı sağlayacaktır. Radyoterapi pratiğinde yapay zekanın güvenilirliği, önemi ve teknik branşlar ile iş birliği, bu uygulamanın yapılabilirliği ve öğrenilmesi gerektiğine dikkat çekmektedir.
|
|---|