Clinically Significant Prostate Cancer Detection and Diagnosis in Bi-parametric MRI
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: CLINTON BINDA ASOH ITAMBI
Danışman: Songül Varlı
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Klinik olarak anlamlı prostat kanseri (csPCa) tanısı ve tespiti, tıbbi görüntülemede hâlen önemli bir zorluk oluşturmaktadır. Yüksek ilerleme ve metastaz riski taşıyan csPCa'nın erken ve güvenilir şekilde tanımlanması, zamanında müdahale sağlarken yavaş seyirli vakaların aşırı tedavisini önlemek açısından kritik öneme sahiptir. Bi-parametrik manyetik rezonans görüntüleme (bpMRI), prostat kanseri taramasında etkili bir yöntem olarak öne çıkmakta olsa da, csPCa lezyonlarının ince görünümü ve eğitim verilerindeki sınıf dengesizliği, geleneksel derin öğrenme modellerinin performansını sınırlamaktadır. Bu çalışmada, söz konusu zorlukların üstesinden gelmek amacıyla, tıbbi görüntü segmentasyonunda öncü bir mimari olan nnU-Net çerçevesine iyileştirmeler önerilmiştir. Modelin varsayılan soft Dice ve çapraz entropi kaybı kombinasyonu, çapraz entropi ve odaklanmış (focal) kayıp fonksiyonunun hibrit bir versiyonu ile değiştirilmiştir. Bu değişiklik, nadir görülen ancak klinik olarak kritik öneme sahip csPCa lezyonlarına modelin duyarlılığını artırmak amacıyla özel olarak tasarlanmıştır. Eğitim süreci, PI-CAI (Prostate Imaging: Cancer AI) Açık Eğitim veriseti (1.500 vaka) üzerinde gerçekleştirilmiş, değerlendirme ise Görünmeyen Ayar (Hidden Tuning) kohortundaki 100 vaka üzerinde, sağlam bir 5 katlı çapraz doğrulama protokolüyle yürütülmüştür. Önerilen nnU-Net modeli, en güncel U-Net, nnDetection ve temel nnU-Net modellerini geride bırakarak Görünmeyen Ayar kohortunda 0.824 AUROC ve 0.603 Ortalama Kesinlik (AP) skoru elde etmiştir. Lezyon tespiti performansını daha da artırmak adına, Attention-Gated ResUNet, ResUNet++ ve Derin Süpervizyonlu 3D Attention U-Net olmak üzere üç farklı ve birbirini tamamlayıcı modelin birleşiminden oluşan TriSegNet adlı bir topluluk (ensemble) stratejisi geliştirilmiştir. Açık Eğitim kohortunda, bireysel modeller rekabetçi sonuçlar elde etmiş; örneğin, Attention-Gated ResUNet modeli 0.754 AUROC ve 0.694 AP değeri kaydetmiştir. Uygulanan topluluk yöntemleri arasında, ağırlıklı ortalama yaklaşımı en iyi sonucu vermiş; TriSegNet modeli, 0.773 AUROC ve 0.665 AP skorlarıyla, lezyon düzeyindeki tespitte tüm bireysel modellerin performansını aşmıştır. Bu araştırma, mimari çeşitliliğin özel olarak tasarlanmış kayıp fonksiyonlarıyla birleştirilmesinin, bireysel modellerin sınırlamalarını aşmada sağladığı katkıyı ortaya koymaktadır. Ortaya konan topluluk modeli, bpMRI kullanılarak csPCa tespitinde sağlam ve genellenebilir bir yaklaşım sunmakta olup, prostat kanseri için yapay zekâ destekli hassas tanı alanındaki ilerlemelere önemli katkılar sağlamaktadır.