BT Görüntülerinde Akciğer Lezyonu Segmentasyonu için U-Net Tabanlı Modellerin Karşılaştırmalı Değerlendirilmesi
Türk Doğa ve Fen Dergisi, cilt.15, sa.3, ss.1-11, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 15 Sayı: 3
- Basım Tarihi: 2026
- Doi Numarası: 10.46810/tdfd.1907062
- Dergi Adı: Türk Doğa ve Fen Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.1-11
- İnönü Üniversitesi Adresli: Evet
Özet
Akciğer kanseri dünya genelinde kanser kaynaklı ölümlerin başlıca nedenlerinden biridir ve hastalığın erken evrede tespit edilmesi tedavi başarısı açısından büyük önem taşımaktadır. Bu çalışmada akciğer bilgisayarlı tomografi (BT) görüntülerinde lezyon segmentasyonu problemi ele alınmış ve farklı U-Net tabanlı derin öğrenme mimarilerinin performansları karşılaştırmalı olarak incelenmiştir. Çalışmada toplam 223 hastaya ait 22.782 BT kesitinden oluşan bir veri kümesi kullanılmıştır. Veri kümesinde 3.584 kesit lezyon içerirken 19.198 kesit sağlıklı görüntülerden oluşmaktadır. Veri kümesindeki sınıf dengesizliğinin model performansı üzerindeki etkisini incelemek amacıyla üç farklı deneysel senaryo uygulanmıştır: yalnızca lezyon içeren görüntülerin kullanılması, tüm görüntülerin birlikte kullanılması ve eğitim veri setinde dengeli veri kullanımı. Segmentasyon performansı görüntü bazlı ve hasta bazlı değerlendirme yaklaşımları kullanılarak analiz edilmiştir. Elde edilen sonuçlar veri dağılımının segmentasyon performansı üzerinde önemli bir etkiye sahip olduğunu göstermiştir. Özellikle eğitim veri setinde dengeli veri kullanımının hasta bazlı değerlendirmelerde performansı artırdığı belirlenmiştir.
Lung cancer remains one of the leading causes of cancer-related deaths worldwide, and early detection plays a crucial role in improving treatment success and patient survival. In this study, the problem of lesion segmentation in lung computed tomography (CT) images was addressed, and the performance of different U-Net-based deep learning architectures was comparatively evaluated. The dataset used in this study consisted of 22,782 CT slices obtained from 223 patients. Among these images, 3,584 slices contained lesions, while 19,198 slices were healthy images. To investigate the impact of class imbalance in the dataset on model performance, three different experimental scenarios were applied: using only lesion-containing images, using all images together, and using a balanced training dataset. Segmentation performance was analyzed using both image-based and patient-based evaluation approaches. The results indicate that data distribution has a significant impact on segmentation performance. In particular, balancing the training dataset improved the results, especially in patient-based evaluations.