Localization-guided federated learning for multi-center 3D segmentation of pediatric cardiovascular structures
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİYOMEDİKAL MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: İngilizce
Öğrenci: İREM YILMAZ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Sakip Önder
Eş Danışman: Şenol Pişkin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tezde, anatomik olarak karmaşık konjenital kalp hastalığı vakalarına odaklanılarak, üç boyutlu bilgisayarlı tomografi (BT) ve manyetik rezonans görüntüleme (MRG) verileri kullanılarak pediatrik kardiyovasküler yapıların çok sınıflı segmentasyonu incelenmiştir. Aort, kardiyak odacıklar ve pulmoner arterlerin segmentasyonu; anatomik değişkenlik, küçük damar yapıları ve çok merkezli görüntüleme verileri arasındaki farklılıklar nedeniyle halen önemli bir zorluk oluşturmaktadır. Önerilen yöntem, HVSMR-2.0 referans veri seti, klinik olarak oluşturulmuş pediatrik kardiyovasküler veri kümesi ve toplam 110 vakadan oluşan birleşik veri seti üzerinde değerlendirilmiştir. Geliştirilen çerçeve; lokalizasyon tabanlı ilgi bölgesi çıkarımı, farklı üç boyutlu segmentasyon mimarilerinin karşılaştırmalı analizi, önerilen Hybrid V-Net modeli ve federatif öğrenme yaklaşımını bir araya getirmektedir. Deneysel sonuçlar, lokalizasyon tabanlı merkezi segmentasyon yaklaşımında Hybrid V-Net modelinin referans veri setinde %92.1, heterojen birleşik veri setinde ise %86.6 Dice benzerlik skoru elde ettiğini göstermiştir. Birleşik veri setinde pulmoner arter segmentasyon performansı, lokalizasyon tabanlı işlem sonrasında %74.2'den %80.6'ya yükselmiştir. Birleşik veri seti üzerinde gerçekleştirilen federatif öğrenme deneylerinde önerilen yöntem, farklı merkezler arasında gizlilik korumalı ortak eğitimi desteklerken %86.0 genel Dice benzerlik skoru ile rekabetçi performansını korumuştur. Genel olarak bulgular, lokalizasyon tabanlı segmentasyonun federatif öğrenme ile kullanılmasının, heterojen çok merkezli koşullar altında daha dayanıklı pediatrik kardiyovasküler segmentasyon performansı sağladığını göstermektedir.