Using a New Generative Adversarial Network in Brain Tumor Segmentation and Detection

Tıbbi görüntülerden beyin tümörünün algılanması araştırmacılar için aktif araştırma alanıdır. Tümör dokusunun çeşitliliği ve tümörün karmaşıklığı süreci zorlu hale getirmektedir. Bu çalışmada üç ayrı beyin tümörü veri kümesi oluşturulmuştur. Oluşturulan veri kümeleri iki boyutludur. Birinci veri kümesi 3 boyutlu görüntülerden 2 boyutlu görüntülere hiçbir değişiklik yapmadan dönüştürülen beyin tümörü veri kümesidir. İkinci veri kümesi birnci veri kümesindeki beyin harici kısımların yok edilmesiyle elde edilmiştir. Üçüncü veri kümesi ise beyin tümörünü daha iyi algılayabilmek için ikinci veri kümesi üzerinde görüntüyü keskinleştirip Gauss Filtresi ekleyerek elde edilmektedir. Buradaki amaç veri kümelerinin eğitim ve test sonuçlarına etkisini gözlemleyebilmektir. Bu çalışmada, beyin tömörü bölütlenirken ve algılanırken yeni Çekişmeli Üretken Ağ önerilmiştir. Önerilen yöntem beyin tümörünü manuel olarak değil otomatik bir şekilde yapabildiği için avantajlıdır. Önerilen yöntem SSimDCL (Supervised Similarity Dual Contrastive Learning) olarak adlandırılmıştır. Önerilen yöntem günümüzde derin öğrenme mimarileri arasında en iyi sonucu veren nnU-Net ile kıyaslanmaktadır. Kıyaslama yapılırken LPIPS ve PSNR yöntemleri tercih edilmiştir. Yapılan deneysel çalışmalar sonucunda önerilen yöntemin veri kümesi iyileştikçe daha iyi sonuçlar verdiği gözlemlenmiştir. nnU-Net yöntemi metriksel olarak daha iyi olmasına rağmen görsel sonuçlar duyusal olarak kıyaslandığında önerilen yöntemin daha iyi olduğu görülmüştür.