İnme çeşitli nedenlerle beyne kan akışının yavaşladığı veya kesildiği durumlarda ortaya çıkan serebrovasküler bir sağlık sorunudur. Beyin dokusu yeterli besin ve oksijeni alamadığı için beyin hücreleri dakikalar içinde ölmeye başlar ve inmenin oluştuğu bölgedeki fonksiyonlarda geçici ya da kalıcı hasarlar meydana gelir. Beyin inmesi çok ciddi tıbbi bir durumdur ve acil müdahale gerektirmektedir. İnmenin erken tespiti ve inme bölgesinin segmente edilmesi kalıcı hasarların önlenmesi açısından büyük önem arz etmektedir. Bu çalışmada Res2Net omurgalı U-Net derin öğrenme modeli kullanılarak beyin inme segmentasyonu yapılmıştır. Veri seti olarak 1093 hemorajik ve 1130 iskemik inme tipini içeren toplamda 2223 BT görüntüsü kullanılmıştır. Görüntüler pencereleme yöntemi ile ön işlemeden geçirilip sonrasında önerilen model ile eğitilip test edilmişlerdir. Pencereleme ayarı yapılmadan kullanılan görüntülerde ortalama IoU oranı 0.82 olarak elde edilmiş, ön işlemeden sonra bu oran 0.87’ye yükselmiştir; veri çoğaltma yönteminin de uygulanmasından sonra ortalama IoU 0.92’ye ulaşmıştır. Elde edilen test sonuçları görüntülerde uygun pencere ayarlarının kullanılmasının segmentasyon performansını artırdığını göstermiştir.
Stroke is a cerebrovascular health problem that occurs when blood flow to the brain is slowed or interrupted for various reasons. Since the brain tissue cannot receive enough nutrients and oxygen, brain cells begin to die within minutes and temporary or permanent damage occurs in the functions in the area where the stroke occurred. Brain stroke is a very serious medical condition and requires urgent intervention. Early detection of stroke and segmentation of the stroke site are of great importance in terms of preventing permanent damage. In this study, brain stroke segmentation was performed using U-Net deep learning model with Res2Net backbone. A total of 2223 CT images including 1093 hemorrhagic and 1130 ischemic stroke types were used as dataset. The images were preprocessed with the windowing method and then trained and tested with the proposed model. While the IoU rate was 0.82 in the images used without windowing adjustment, this rate increased to 0.87 after preprocessing, when the data duplication method was added, the average IoU reached 0.92. The test results obtained showed that the use of appropriate window settings in the images increased the segmentation performance.
