Akademik Veri Yönetim Sistemi
VII. International Halich Congress on Multidisciplinary Scientific Research, İstanbul, Türkiye, 23 - 25 Ocak 2024, ss.1147-1161
Beyinde kan akışının kesilmesi sebebiyle gelişen inme hastalığı sebebiyle her yıl çok fazla insan yaşamını yitirmektedir. Bunun yanında, inme nedeniyle beyinde oluşan hasarlardan dolayı da birçok insanda fiziksel ve bilişsel bozukluk şeklinde kalıcı hasarlar oluşmaktadır. Bu sebeple hastanın hastaneye başvurduğu ilk evrede inmenin hızlı bir şekilde teşhis edilmesi ve doğru tedaviye başlanması büyük öneme taşımaktadır. İnmeden etkilenen beyin bölgelerinin ayırt edilme süreci nitelikli uzman görüşlerini gerektirmektedir. Ancak, uzmanların el yordamı ile bölütleme işlemleri zaman alıcı, hataya eğilimli ve subjektif süreçler içermektedir. İnme vakalarında ilk birkaç saatin hayati önem taşıdığı göz önünde bulundurulduğunda, tedavi sürecinin gecikmesi daha fazla beyin dokusunun yok olma tehlikesini ortaya çıkarmaktadır. Bu durum, iskemik inme lezyonunu bölütleyen ve tedaviye geçişi hızlandıran otomatik yöntemlere duyulan ihtiyacı göz ardı edilemeyecek hale getirmektedir. Son yıllarda, derin öğrenme ağları sayesinde uzman hekimlerin bölütleme ve karar verme sürecini hızlı ve başarılı bir şekilde yapabilmesini sağlamaya yönelik çalışmalar artmış ve bu çalışmalarda elde edilen performans seviyeleri de artmaya başlamıştır. Bu çalışmada, beyin Manyetik Rezonans (MR) görüntülerinden iskemik inme lezyonlarını otomatik bir şekilde bölütleyen ve tespit eden bir yöntem önerilmektedir. Çalışmada, lezyonların bölütlenmesi için hızlı bir eğitim sürecine sahip olan U-Net derin öğrenme mimarisi kullanılmıştır. Ayrıca, çalışmada iskemik inme teşhisi konmuş vakaların MR görüntülerini içeren global bir veriseti olan Ischemic Stroke Lesion Segmentation (ISLES) 2022 inme veriseti kullanılmıştır. Bu verisetinde iskemik inme teşhisinde hasar gören beyin dokularının hassas bir şekilde görüntülenmesini sağladığı için difüzyon-ağırlıklı MR görüntüleri (DAG) tercih edilmiştir. Deneysel analizlerde, 250 hastaya ait MR görüntüleri ile eğitilen U-Net derin öğrenme ağı kullanılarak F1, Dice ve Kesinlik (Precision), Duyarlılık (Recall) anahtar performans metrikleri için sırasıyla 0.85, 0.79, 0.86 ve 0.87 skorları başarılmıştır. Deneysel çalışmalarda elde edilen sonuçlar, ISLES 2022 katılımcılarının elde ettiği sonuçlarla örtüştüğü ve sonuç olarak U-Net derin öğrenme ağı ile oluşturulan modelin, iskemik inme lezyonlarını başarılı bir şekilde bölütleme ve teşhis etme potansiyeline sahip olduğunu göstermiştir. Önerilen yöntemin uzman hekimlerin inme teşhisini kolaylaştıracağı ve karar verme aşamasında kullanabilecekleri yardımcı bir araç olabileceği değerlendirilmektedir.
Many people die each year from strokes, which occur when blood flow to the brain is interrupted. In addition, many people suffer permanent damage in the form of physical and cognitive impairment as a result of brain damage caused by a stroke. This is why it is so important to diagnose stroke quickly and start the right treatment in the first phase when the patient is admitted to hospital. The process of distinguishing the brain regions affected by stroke requires qualified expert opinion. However, manual segmentation by experts is time-consuming, error-prone and subjective. Given that the first few hours after a stroke are critical, delayed treatment carries the risk of further brain tissue destruction. The need for automated methods to segment the ischemic stroke lesion and accelerate the transition to treatment is therefore imperative. In recent years, deep learning networks have been used to enable expert physicians to perform segmentation and decision-making processes quickly and successfully, and the performance levels achieved in these studies have started to increase. In this study, we propose a method to automatically segment and detect ischemic stroke lesions from brain magnetic resonance (MR) images. The U-Net deep learning architecture with a fast training process is used for lesion segmentation. In addition, the study uses the Ischemic Stroke Lesion Segmentation (ISLES) 2022 stroke dataset, a global dataset containing MR images of cases diagnosed with ischemic stroke. In this dataset, diffusion-weighted MR images (DWI) are preferred for the diagnosis of ischemic stroke as they provide precise visualization of damaged brain tissue. In the experimental analyses, using the U-Net deep learning network trained on MRI images from 250 patients, scores of 0.85, 0.79, 0.86 and 0.87 were achieved for the key performance metrics F1, Dice, Precision and Recall, respectively. The results obtained in the experimental studies are consistent with the results obtained by the ISLES 2022 participants, and as a result, the model built with the U-Net deep learning network has the potential to successfully segment and diagnose ischemic stroke lesions. It is anticipated that the proposed method can facilitate stroke diagnosis for specialist physicians and can be a helpful tool for them to use in the decision-making phase.