COMPARISON OF DIFFERENT SEGMENTATION MODELS ON OVARIAN TUMOUR ULTRASOUND IMAGES

Kanser, dünya genelinde başlıca ölüm nedenlerinden biri olup, erken teşhis ve etkin tedavi edilmesi, hastalığın kontrol altına alınmasında hayati bir rol oynamaktadır. Over kanseri, kadınlarda en ölümcül jinekolojik kanser türlerinden biri olarak öne çıkmaktadır. Erken evrelerde genellikle açık bir belirti göstermemesi, teşhisin ileri evrelere geçmesine ve tedavi olanağının azalmasına neden olmaktadır. Bu çalışmada, düşük kaliteli ultrason görüntüleri kullanılarak over tümörlerinin otomatik bölütlenmesi için derin öğrenme tabanlı modellerin performansı kapsamlı bir şekilde değerlendirilmiştir. U-Net, Nested U-Net, DeepLabv3+, SegNet ve FCN modelleri, OTU_2D veri seti üzerinde karşılaştırmalı olarak analiz edilmiştir. DeepLabv3+, %96,37 DSC ve %93,76 IoU skorlarıyla en yüksek bölütleme doğruluğu sağlarken, FCN modeli %96,34 DSC ve %93,82 IoU skorlarıyla benzer bir başarı sergilemiştir. Nested U-Net ve U-Net modelleri, lezyon sınır hassasiyeti ve küçük yapıların doğru şekilde bölütlenmesinde etkili olmuştur. SegNet mimarisi ise diğer modellere kıyasla daha sınırlı bir performans göstermiştir.

Cancer remains one of the leading causes of mortality worldwide, and early diagnosis along with effective treatment plays a crucial role in controlling the disease. Among gynecological cancers, ovarian cancer stands out as one of the most fatal types for women. The absence of noticeable symptoms in its early stages often delays diagnosis to advanced stages, significantly reducing treatment opportunities. This study comprehensively evaluates the performance of deep learning-based models for the automatic segmentation of ovarian tumors using low-quality ultrasound images. U-Net, Nested U-Net, DeepLabv3+, SegNet, and FCN models were comparatively analyzed on the OTU_2D dataset. DeepLabv3+ demonstrated the highest accuracy with 96.37% DSC and 93.76% IoU scores, while the FCN model achieved comparable performance with 96.34% DSC and 93.82% IoU scores. Nested U-Net and U-Net models were found to be effective in accurately segmenting boundaries and small structures, whereas the SegNet architecture exhibited relatively limited performance compared to the other models.