Beyin görüntülerindeki gürültülerin derin öğrenme kullanılarak giderilmesi

Manyetik Rezonans Görüntüleme (MRG) beyin dokularının incelenmesinde, hastalık tanısının konulmasında ve tedavisinin yapılmasında yaygın olarak kullanılan tıbbi görüntüleme tekniğidir. MRG görüntülerinde cihazdan kaynaklanan, çekim ortamından, hasta hareketinden ya da manyetik ortamın etkisiyle çeşitli gürültüler oluşabilmektedir. Bu gürültüler, doğru tanı ve tedavinin ortaya konmasını ve görüntünün uzmanlarca düzgün yorumlanmasını etkilemektedir. Bu sebeple tezde, MRG görüntülerinde bulunan Rician gürültünün giderilmesi amaçlanmıştır. Tez çalışmasında, yoğun ve artık bağlantılar kullanılarak iyileştirilen UNet mimarisine benzeyen, M-UNet+ResNet ve M-UNet+DenseNet olarak isimlendirilen iki 3D otokodlayıcı model geliştirilmiştir. Önerilen modeller IXI veri setinde bulunan T1 ve T2 ağırlıklı 3D MRG görüntülerine eklenen farklı seviyelerdeki Rician gürültüsü için eğitilmiştir ve modellerin performansı test verileri için tepe sinyal-gürültü oranı (PSNR: Peak Signal-to-Noise Ratio), yapısal benzerlik (SSIM: Structural Similarity Index Measure) ve ortalama mutlak hata (MAE: Mean Absolute Error) metrikleri ile ölçülmüştür. %15 gürültü oranı için IXI-HH-T1 verisetinde M-UNet+ResNet modelinin hesapladığı PSNR, SSIM ve MAE ortalama değerleri sırasıyla 37,8426 desibel (dB), 0,9017 ve 0,0106'tür. M-UNet+DenseNet modeli bu değerleri 38,0546 dB, 0,9055 ve 0,0103 olarak hesaplamıştır. IXI-HH-T1 verisetinde, M-UNet+ResNet ve M-UNet+DenseNet modelleri PSNR, SSIM ve MAE ortalama değerlerini sırasıyla 41,7436 dB, 0,901 ve 0,0099 ve 40,6320 dB, 0,8785 ve 0,0118 olarak bulmuştur. Artık bağlantılarla zenginleştirilen M-UNet+ResNet modeli literatürle yarışır yüksek performans değerleri elde etmiştir. Elde edilen sonuçlar, gürültü giderilmesinde artık bağlantıların faydalı olduğunu göstermiştir.

Magnetic Resonance Imaging (MRI) is a widely used medical imaging technique in examining brain tissues, diagnosis, and treatment of diseases. Various noises may occur in MRI images due to the device, the imaging environment, patient motion, or the effect of the magnetic field. These noises affect the accurate diagnosis and treatment and the proper image interpretation by experts. Therefore, this thesis aims to denoise Rician noise in MRI images. In this thesis, two 3D autoencoder models, named M-UNet+ResNet and M-UNet+DenseNet, which are similar to the UNet architecture improved by using dense and residual connections, are developed. The proposed models were trained for different levels of Rician noise added to the T1 and T2 weighted 3D MRI images in the IXI dataset. The performance of the models was evaluated by peak signal-to-noise ratio (PSNR), structural similarity (SSIM: Structural Similarity Index Measure), and mean absolute error (MAE: Mean Absolute Error) metrics for the test data. For a 15% noise level in the IXI-HH-T1 dataset, the M-UNet+ResNet model achieved average PSNR, SSIM, and MAE values of 37.8426 decibel (dB), 0.9017, and 0.0106, respectively, while the M-UNet+DenseNet model computed these values as 38.0546 dB, 0.9055, and 0.0103. In the IXI-HH-T1 dataset, the M-UNet+ResNet and M-UNet+DenseNet models obtained average PSNR, SSIM, and MAE values of 41.7436 dB, 0.901 and 0.0099 and 40.6320 dB, 0.8785 and 0.0118, respectively. The M-UNet+ResNet model enriched with residual links achieved high-performance values competing with the literature. These results indicate the importance of using residual connections in deep learning model for noise removal.