CM-BET ile beyin sınır segmentasyonunun geliştirilmesi: Beyin çıkarımında yüksek doğruluk için kaskat bir model
Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, cilt.41, sa.2, ss.995-1009, 2026 (SCI-Expanded, Scopus, TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 41 Sayı: 2
- Basım Tarihi: 2026
- Doi Numarası: 10.17341/gazimmfd.1741473
- Dergi Adı: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi
- Derginin Tarandığı İndeksler: Science Citation Index Expanded (SCI-EXPANDED), Scopus, Art Source, Compendex, TR DİZİN (ULAKBİM), Academic Search Ultimate (EBSCO), Engineering Source (EBSCO)
- Sayfa Sayıları: ss.995-1009
- İnönü Üniversitesi Adresli: Hayır
Özet
Beyin çıkarımı, nörogörüntüleme çalışmalarında, beynin çevresindeki dokulardan ayrıştırılmasını sağlayan kritik bir işlemdir. Bu adımın doğruluğu; hacimsel analiz, görüntü çakıştırma, beyin bölgelerinin segmentasyonu gibi sonraki işlemlerin doğruluğunu doğrudan etkilemektedir. Tıbbın pek çok alanında olduğu gibi, derin öğrenme (DL: Deep Learning) tabanlı yaklaşımlar beyin çıkarımı görevinde de umut vadeden sonuçlar sunmaktadır. Bu süreçte, özellikle beyin sınırlarının hassas bir şekilde segmentasyonu, modellerin başarısını belirleyen en önemli faktörlerden biridir. Bu çalışma, CM-BET adını taşıyan ve kademeli yapıda tasarlanmış 3B bir DL modeli önermektedir. CM-BET, iki aşamalı bir mimariye sahiptir: İlk aşamada yer alan MRS-UNet, UNet’in kodlayıcı bloklarına entegre edilen keskinleştirme katmanları sayesinde yüksek frekanslı kenar bilgilerini öne çıkararak gri tonlamalı bir çıktı üretir. İkinci aşamadaki MR-UNet, bu keskinleştirilmiş görüntüyü girdi olarak alarak beyin bölgesini daha hassas biçimde segmentler ve ikili (binary) bir beyin maskesi üretir. Modelin latent katmanında, düşük gradyanlı beyin sınırı bilgilerini koruyabilmek amacıyla ResNet50’den alınan artık bağlantılar (residual connections) kullanılmıştır. Ayrıca, MRI dilimlerinde sıkça karşılaşılan sınıf dengesizliği sorununu ele alabilmek adına, fokal kayıp (focal loss) içeren hibrit bir kayıp fonksiyonu geliştirilmiştir. Modelin başarımı, yedi farklı kamuya açık veriseti üzerinde kapsamlı biçimde değerlendirilmiştir. Elde edilen sonuçlar, CM-BET’in literatürdeki DL tabanlı yöntemlere ve yaygın segmentasyon mimarileri olan UNet, UNet++ ve DeepLabv3+ modellerine kıyasla üstün performans sergilediğini ortaya koymaktadır. Önerilen model, tüm verisetlerinde Dice katsayısı açısından 0.9809–0.9984, duyarlılık (sensitivity) açısından 0.9831–0.9991 ve özgüllük (specificity) açısından 0.9958–0.9992 aralığında sonuçlar elde ederek hem geleneksel hem de gelişmiş UNet türevlerini geride bırakmıştır.
Brain extraction is a pivotal step in neuroimaging studies, separating the brain from surrounding tissues. Accurate extraction significantly impacts subsequent analyses such as volumetric analysis, image registration, and brain parts segmentation. As in many medical fields, DL-based approaches show promising results in brain extraction studies. The success of a brain extraction model primarily depends on its effectiveness in segmenting brain boundary regions. This study proposes a 3D model with a cascade structure, CM-BET, which includes MRS-UNet as the first stage and MR-UNet as the second. The MRS-UNet generates a gray output that enhances high-frequency edge features by incorporating sharpening layers before each convolutional layer on the encoder side of the UNet. Consequently, MR-UNet, which uses the sharpened image from the first stage as input, can better focus on the brain region and produce a binary brain mask. Residual connections from ResNet50 are employed in the latent layer to preserve critical low-gradient values. To address the class imbalance across MRI slices, a hybrid loss function including focal loss is used. Evaluations of seven public datasets demonstrate that CM-BET outperforms DL-based methods in literature and widely used segmentation models such as UNet, UNet++, and DeepLabv3+. The proposed model achieved minimum-maximum dice coefficient values of 0.9809-0.9984, sensitivity values of 0.9831-0.9991, and specificity values of 0.9958-0.9992 across all datasets, outperforms DL-based studies and UNet variants.