CM-BET ile beyin sınır segmentasyonunun geliştirilmesi: Beyin çıkarımında yüksek doğruluk için kaskat bir model
Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi · 20.07.2026 · 41 (2) · 995-1010
DOI: 10.17341/gazimmfd.1741473 ↗Kurz gefasst
Fachartikel in der Zeitschrift Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, online erschienen am 20.07.2026. Verfasst von Kali Gurkahraman und 2 weiteren Autor:innen. Die Arbeit nennt 43 Literaturangaben. Gefördert von: Sivas Cumhuriyet Üniversitesi Bilimsel Araştırma Projeleri Fonu.
Abstract (Originalsprache)
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.
Förderung
- Sivas Cumhuriyet Üniversitesi Bilimsel Araştırma Projeleri Fonu
Zitieren
APA
Gurkahraman, K., Karakiş, R., & Yelkuvan, A. F. (2026). CM-BET ile beyin sınır segmentasyonunun geliştirilmesi: Beyin çıkarımında yüksek doğruluk için kaskat bir model. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 41(2), 995-1010. https://doi.org/10.17341/gazimmfd.1741473
Vancouver
Gurkahraman K, Karakiş R, Yelkuvan AF. CM-BET ile beyin sınır segmentasyonunun geliştirilmesi: Beyin çıkarımında yüksek doğruluk için kaskat bir model. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi. 2026;41(2):995-1010. doi:10.17341/gazimmfd.1741473
BibTeX
@article{Gurkahraman2026,
author = {Gurkahraman, Kali and Karakiş, Rukiye and Yelkuvan, Ahmet Fırat},
title = {CM-BET ile beyin sınır segmentasyonunun geliştirilmesi: Beyin çıkarımında yüksek doğruluk için kaskat bir model},
journal = {Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi},
year = {2026},
volume = {41},
number = {2},
pages = {995--1010},
doi = {10.17341/gazimmfd.1741473}
}
EUVIMED