Biyomedikal Görüntülerin Segmentasyonu için Derin Öğrenme Yaklaşımları

Abstract

Bu tez çalışması, biyomedikal görüntü segmentasyonunun tanısal süreçlerdeki kritik rolünden hareketle, derin öğrenme tabanlı modellerin potansiyelini üç farklı ve zorlu tıbbi alanda araştırmaktadır. Üç farklı klinik senaryoda yürütülen çalışmalarda, sırasıyla; intraoral kamera görüntülerinden mikrobiyal dental plak, MR görüntülerinden düşük dereceli glioma tümörler ve PET/BT görüntülerinden prostat bezi segmentasyonu gerçekleştirilmiştir. Her bir problem için derin öğrenme mimarileri ile klasik bilgisayarlı görü yöntemleri karşılaştırılmış; hiperparametre optimizasyonları yapılarak adil bir değerlendirme zemini oluşturulmuştur. Bulgular, derin öğrenme modellerinin her üç alanda da klasik yöntemlere ezici bir üstünlük sağladığını tutarlı bir şekilde göstermiştir. Özellikle, diş plağı segmentasyonunda U-Net Transformer modelinin, üç uzman diş hekiminden istatistiksel olarak anlamlı düzeyde daha başarılı sonuçlar elde etmesi, bu teknolojinin klinik potansiyelini vurgulamaktadır. Benzer şekilde, düşük dereceli glioma için UNet++ ve prostat segmentasyonu için Attention U-Net mimarileri en yüksek performansı sergilemiştir. Grad-CAM ve Saliency Map ile açıklanabilirlik teknikleri ile bu yüksek skor veren modellerin karar mekanizmalarının hedeflenen anatomik bölgelere doğru odaklandığı doğrulanmış ve modelleri, kara kutu algısının ötesine taşımıştır. Bu tez, farklı tıbbi görüntüleme modalitelerinde probleme özgü önerilen derin öğrenme çözümlerinin, hem otomasyonu sağlayarak verimliliği artırma hem de uzman performansını aşarak tanısal doğruluğu iyileştirme gücünü kanıtlamaktadır.

Motivated by the crucial role of biomedical image segmentation in diagnostic workflows, this thesis investigates the potential of deep learning-based models across three distinct and challenging clinical domains. The study was conducted across three clinical scenarios; segmentation of microbial dental plaque from intraoral camera images, low grade glioma tumors from MR, and the prostate gland from PET/CT. For each task, deep learning models were rigorously compared against classic computer vision methods, with systematic hyperparameter optimization performed to ensure a fair evaluation ground. The findings consistently demonstrated the overwhelming superiority of deep learning models over classical methods across all three domains. Notably, the U-Net Transformer model achieved statistically significantly better results than three expert dentists in dental plaque segmentation, underscoring this technology's clinical potential. Similarly, the UNet++ and Attention U-Net architectures delivered the highest performance for low-grade glioma and prostate segmentation, respectively. Furthermore, explainable AI techniques, specifically Grad-CAM and Saliency Maps, confirmed that the decision mechanisms of these high-scoring models correctly focused on the targeted anatomical regions. This process has successfully moved the models beyond the black box perception. This thesis provides strong evidence that task-specific deep learning solutions across diverse medical imaging modalities can not only enhance diagnostic accuracy beyond expert-level performance but also improve clinical efficiency through automation and explainability.