Medical Image Segmentation Using Deep Neural Networks

Medikal görüntülerin otomatik bölütlenmesi, bu görüntüler kullanılarak çeşitli hastalıkların teşhis edilmesinde önemli bir rol oynamaktadır. Görüntü bölütleme, bir çok medikal görüntüye ayrı ayrı uygulanarak farklı analizlerin ve teşhislerin yapılması sağlanabilmektedir. Örneğin, bir hücre kültüründeki hücrelerin otomatik bölütlenmesi ile, hücrelerin miktarı, canlılığı, her bir hücrenin çapı veya şeklinin ayrı ayrı analiz edilmesi sağlanabilmektedir. Ayrıca bir dokudaki kan damarlarının otomatik bölütlenmesi ile, damarların uzunluğu, yoğunluğu, her damarın ayrı ayrı yarı çapı gibi analizler yapılabilmektedir. Bu sayede incelen görüntüden, bir hastalığın erken teşhisi, hastalığın türü gibi çıkarımlar gerçekleştirilir. Bu çalışmada çeşitli hücre görüntülerinden ve retina görüntülerinden olu¸san iki ayrı veri seti kullanılarak, bu veri setindeki görüntüler ayrı ayrı bölütlenmiştir. Otomatik bölütleme için, bir evrişimsel sinir ağı modeli olan U-Net kullanılmış ve gerçek referans değerler ile U-Net ağı ile bölütlenen çıktılar karşılaştırılmıştır. Her iki veri seti için elde edilen yüzdesel doğruluk değerleri sırası ile; retina veri seti için 95.2, hücre veri seti için 97.25 olarak hesaplanmıştır.Automatic segmentation of medical images plays an important role in diagnosing various diseases using these images. Image segmentation can be applied separately through many medical samples to make different analyses and diagnoses. For example, by auto-segmentation cells in a cell culture, the amount, vitality, diameter or shape of the cells in the cell culture can be analysed separately. In addition, by automatic segmentation of blood vessels in a tissue, analyses such as the length and density of the vessels, and the radius of each vessel can be made separately. In this way, inferences such as early diagnosis of a disease and the type of the disease can be made from the examined image. In this study, using two different data sets consisting of various cell images and retinal images, the images in this data set were segmented separately. For automatic segmentation, a convolutional neural network model U-Net is used. The existing ground truth images and the images segmented using the U-Net network were compared. Percentage accuracy values obtained for both data sets, respectively; 95.2 for retina data set and 97.25 for cell data set