Tiroid ultrasonografisinde hibrit derin öğrenme yöntemleri ile otomatik nodül segmentasyonu

Abstract

Tiroid nodülleri, tiroid bezinde normal dokudan farklı olarak gelişen, genellikle iyi huylu olmakla birlikte belirli bir oranda malign potansiyel taşıyan kitlelerdir. Toplumda oldukça yaygın görülen bu oluşumlar, ultrasonografi ile yüksek oranda tespit edilebilmektedir. Ancak nodüllerin doğru şekilde sınırlarının belirlenmesi hem malignite riskinin değerlendirilmesi hem de takip ve tedavi planlamasında kritik öneme sahiptir. Bu tez çalışmasında, tiroid ultrasonografisi görüntülerinden nodüllerin otomatik segmentasyonu amacıyla hibrit bir derin öğrenme modeli geliştirilmiştir. Önerilen yöntem, “EfficientNet” tabanlı yerel özellik çıkarım kapasitesini “Vision Transformer” tabanlı küresel bağlam farkındalığı ile birleştiren çift kodlayıcı mimariye sahiptir. Ek olarak nodül sınırlarının daha hassas belirlenebilmesi için sınır farkındalıklı özel bir kayıp fonksiyonu tasarlanmıştır. Modelin performansı TN3K ve DDTI veri kümeleri üzerinde kapsamlı olarak test edilmiş ve literatürdeki güncel yöntemlerle karşılaştırılmıştır. Elde edilen sonuçlar doğrultusunda geliştirilen hibrit yaklaşım, klinik uygulamalarda tiroid nodüllerinin hızlı, güvenilir ve standart segmentasyonunu sağlayarak tanısal doğruluğu artırma ve hekimlerin iş yükünü azaltma potansiyeline sahiptir. Thyroid nodules are masses that develop in the thyroid gland, distinct from normal tissue, and are generally benign but carry a certain degree of malignant potential. These highly prevalent lesions are highly detectable by ultrasonography. However, accurate delineation of nodules is critical for both assessing malignancy risk and planning follow-up and treatment. In this thesis, a hybrid deep learning model was developed for the automatic segmentation of nodules from thyroid ultrasound images. The proposed method utilizes dual-encoder architecture that combines EfficientNet-based local feature extraction capabilities with Vision Transformer-based global context awareness. Additionally, a custom boundary-aware loss function was designed to more precisely define nodule boundaries. The model's performance was extensively tested on the TN3K and DDTI datasets and compared with current methods in the literature. Based on the obtained results, the developed hybrid approach has the potential to increase diagnostic accuracy and reduce physician workload by providing fast, reliable, and standardized segmentation of thyroid nodules in clinical practice.