000			07183nam a2200445 i 4500
001			200467275
003			TR-AnTOB
005			20260206092542.0
007			ta
008			171111s2025 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200467275
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BMM Ph.D’25 ÖZD
100	1		_aÖzdemir, Mertcan _eauthor _9124033
245	1	0	_aDifüzyon model tabanlı asimetrik dikkat mekanizmaları kullanılarak kardiyak Mr görüntü verisi arttırımı / _cMertcan Özdemir; thesis advisor Osman Eroğul.
246			_aDiffusion model-based augmentation using asymmetric attention mechanisms for cardiac Mri images
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2025.
300			_axviii, 121 pages : _billustrations ; _c29 cm
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTez (Doktora Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2025
520			_aKardiyovasküler hastalıklar, dünya genelinde en önemli ölüm nedenlerinden birini oluşturmakta ve her yıl yaklaşık 19,8 milyon insanın hayatını kaybetmesine yol açmaktadır. Kardiyak manyetik rezonans (CMR) görüntüleme, kalp hastalıklarının tanısında altın standart olarak kabul edilmekle birlikte, derin öğrenme tabanlı tanı sistemlerinin geliştirilmesi için gerekli büyük ölçekli etiketli veri setlerinin oluşturulması, uzman etiketleme maliyetleri, etik kısıtlamalar ve nadir patolojilerin yetersiz temsili nedeniyle ciddi zorluklarla karşı karşıyadır. Bu tez, kardiyak MR görüntülemede veri yetersizliği problemini çözmek amacıyla asimetrik dikkat mekanizmalı difüzyon modeli tabanlı yeni bir bireşimsel görüntü üretim yöntemi önermektedir. Önerilen yaklaşım, Denoising Diffusion Probabilistic Model (DDPM) çerçevesini temel almakta ve UNet mimarisinde kodlayıcının son iki katmanı ile kod çözücünün ilk iki katmanına stratejik olarak yerleştirilmiş çok başlıklı öz-dikkat mekanizmalarını içermektedir. Bu asimetrik dikkat yerleşimi, hesaplama verimliliği ile anatomik yapı korunumu arasında optimal bir denge sağlamaktadır. Model, 53 sağlıklı gönüllüden elde edilen OCMR (Open Cardiac MR) veri kümesi üzerinde eğitilmiş ve 128×128 piksel çözünürlüğünde bSSFP sekans görüntüleri ile çalışılmıştır. Kapsamlı deneysel değerlendirmeler, önerilen modelin mevcut yöntemlere kıyasla üstün performans sergilediğini ortaya koymuştur. Model, 77,78 FID skoru ile VAE (325,26), WGAN-GP (235,51) ve StyleGAN2-ADA (117,70) modellerine göre anlamlı ölçüde daha iyi sonuçlar elde etmiştir. Yapısal benzerlik metrikleri açısından 0,720 SSIM ve 0,925 MS-SSIM değerleri, üretilen görüntülerin yüksek anatomik tutarlılığını doğrulamaktadır. Ablasyon çalışmaları, asimetrik dikkat yerleşiminin tekdüze dağılıma göre FID skorunda %8,8 iyileşme sağladığını göstermiştir. Üç deneyimli radyolog tarafından gerçekleştirilen klinik Turing testinde %60 doğruluk oranı elde edilmesi, bireşimsel görüntülerin gerçek görüntülerden ayırt edilmesinin zorluğunu ortaya koymuştur. Ayrıca, sol ventrikül, sağ ventrikül ve miyokard yapılarının piksel oranları ile şekil özellikleri açısından gerçek ve bireşimsel görüntüler arasında istatistiksel olarak anlamlı bir fark bulunmamıştır (p > 0,05). Bu tez, kardiyak MR görüntü sentezinde difüzyon modelleri için asimetrik dikkat mekanizması optimizasyonu konusunda özgün bir katkı sunmakta ve üretilen bireşimsel verilerin klinik uygulanabilirliğini kapsamlı bir değerlendirme çerçevesiyle ortaya koymaktadır. Sonuçlar, önerilen yaklaşımın veri artırma, gizlilik korumalı veri paylaşımı ve tıp eğitimi gibi alanlarda önemli potansiyel taşıdığını göstermektedir.
520			_aCardiovascular diseases constitute one of the leading causes of mortality worldwide, claiming approximately 19.8 million lives annually. Although cardiac magnetic resonance (CMR) imaging is considered the gold standard for diagnosing heart diseases, the development of deep learning-based diagnostic systems faces significant challenges due to expert labeling costs, ethical constraints, and inadequate representation of rare pathologies in creating large-scale labeled datasets. This thesis proposes a novel synthetic image generation method based on a diffusion model with asymmetric attention mechanisms to address the data scarcity problem in cardiac MR imaging. The proposed approach is built upon the Denoising Diffusion Probabilistic Model (DDPM) framework and incorporates multi-head self-attention mechanisms strategically placed in the last two layers of the encoder and the first two layers of the decoder within the UNet architecture. This asymmetric attention placement achieves an optimal balance between computational efficiency and anatomical structure preservation. The model was trained on the OCMR (Open Cardiac MR) dataset obtained from 53 healthy volunteers, working with bSSFP sequence images at 128×128 pixel resolution. Comprehensive experimental evaluations demonstrated that the proposed model exhibits superior performance compared to existing methods. The model achieved an FID score of 77.78, significantly outperforming VAE (325.26), WGAN-GP (235.51), and StyleGAN2-ADA (117.70). Structural similarity metrics of 0.720 SSIM and 0.925 MS-SSIM confirm the high anatomical consistency of the generated images. Ablation studies showed that the asymmetric attention placement provides an 8.8% improvement in FID score compared to uniform distribution. A clinical Turing test conducted by three experienced radiologists yielded a 60% accuracy rate, demonstrating the difficulty in distinguishing synthetic images from real ones. Furthermore, no statistically significant differences were found between real and synthetic images in terms of pixel ratios and shape features of the left ventricle, right ventricle, and myocardium structures (p > 0.05). This thesis presents an original contribution to asymmetric attention mechanism optimization for diffusion models in cardiac MR image synthesis and demonstrates the clinical applicability of the generated synthetic data through a comprehensive evaluation framework. The results indicate that the proposed approach holds significant potential in areas such as data augmentation, privacy-preserving data sharing, and medical education.
653			_aKardiyak manyetik rezonans
653			_aDifüzyon modelleri
653			_aAsimetrik dikkat mekanizması
653			_aBireşimsel görüntü üretimi
653			_aVeri artırma
653			_aCardiac magnetic resonance
653			_aDiffusion models
653			_aAsymmetric attention mechanism
653			_aSynthetic image generation
653			_aData augmentation
700	1		_aEroğul, Osman _eadvisor _9126315
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z
999			_c200467275 _d85487