Professional Documents
Culture Documents
Özetçe —Günümüz teknolojisinde bilgisayar destekli tespit doğru bir bilgisayar destekli tespit mekanizması geliştirilmiştir.
uygulamaları tıp alanına büyük katkılar sağlamayı başarmıştır. Tümörlü bölgelerin piksel değeri olarak belirgin olmaması,
Bu çalışmada, beyin manyetik rezonans görüntülerindeki tümör- farklı morfolojik yapı ve boyutta tümörlerin bulunması gibi
lerin tespiti gerçekleştirilmiştir. Çalışma, morfolojik yapılandır- nedenler otomatik tümör tespitini zorlaştırmaktadır [3]. Tümör
maya ve ilgi alanlarının morfolojik özelliklerinin kullanıldığı tespiti için farklı yöntemler geliştirilmektedir. Bu amaçla;
kural tabanlı tespit tekniğine dayalı bir bilgisayar destekli
tespit sistemi önermektedir. Çalışmada izlenen basamaklar şu
yapay sinir ağları [4], maskeleme [2], gri seviyeli eşikleme
şekildedir: ön işleme aşaması, bölütleme aşaması, ilgi alanlarının [5], bulanık mantık [6], kural tabanlı yaklaşımlar [7] ve
belirlenmesi aşaması ve tümörlerin tespit edilmesi aşaması. 10 kümeleme yöntemleri [8] kullanılan yöntemlerden birkaçıdır.
hastaya ait 497 adet manyetik rezonans görüntü kesiti üzerinde Bu yöntemlerde piksel değerleri üzerinden çıkarılan özellikler
uygulanan bu yöntemler ile bilgisayar destekli tespit sisteminin çoğu durumda yetersiz kaldığından yapısal nicelikler gibi farklı
elde ettiği doğruluk %84,26 olarak bulunmuştur. özellikler de etkili olmaktadır [9]. Bu çalışmanın amacı da
beyin MR görüntülerine ileri görüntü işleme tekniklerini ve
Anahtar Kelimeler—BDT sistemi, morfolojik yapılandırma,
medikal görüntü işleme . örüntü tanıma yöntemlerini uygulayıp tümörlü bölgenin yerini
en kısa sürede ve doğru olarak tespit edilmesini sağlayacak
Abstract—Computer-aided detection applications has man- bilgisayar destekli tespit sistemini oluşturmaktadır.
aged to make significant contributions to medical world in
today’s technology. In this study, the detection of brain tumors in II. B İLG İSAYAR DESTEKL İ TESP İT S İSTEM İ
magnetic resonance images was performed. This study proposes
a computer aided detection system that is based on morpho- Bilgisayar destekli tespit sistemi medikal görüntülerdeki
logical reconstruction and rule based detection of tumors that karmaşık ilişkileri analiz ederek bu ilişkilerden görüntüye ait
using the morphological features of the regions of interest. The yapılar hakkında karar mekanizması geliştirebilen bilgisayar
steps involved in this study are: the pre-processing stage, the algoritmasıdır [10]. Genellikle bir BDT sistemi belirli bir
segmentation stage, the stage of identification of the region of hastalığı öğrenme ve algılama için tasarlanmış ve optimize
interest and the stage of detection of tumors. With these methods edilmiştir [7].
applied on 497 magnetic resonance image slices of 10 patients, the
performance of the computer aided detection system is achieved Çalışma kapsamında beyin MR görüntülerindeki tümörlerin
84,26% accuracy. tespit çalışmaları Şekil 1’de görülen BDT basamakları dikkate
Keywords—CAD system, morphological reconstruction, medical alınarak gerçekleştirilmiştir.
image processing.
I. G İR İ Ş
Bilgisayar Destekli Tespit (BDT), bilgisayar bilimleri ile tıp
disiplinleri arasında ortak çalışma yapan ve medikal görüntü-
lerin bilgisayar tarafından otomatik olarak işlenmesini sağlayan
bir bilim dalıdır [1]. Bu yazılımlar radyoloji uzmanlarına hem
zaman kazandırır, hem de karar verme aşamasında yapma Şekil 1: Genel BDT Basamakları
ihtimalleri olan hataları en aza indirir [2]. Bu çalışmada da
beyin MR görüntülerinde tümör tespiti için, hızlı ve daha
Ön işleme aşamasıyla genellikle tıbbi görüntü üz-
erindeki bozuklukların giderilmesi ve görüntünün iyileştir-
978-1-4799-4874-1/14/$31.00 c 2015 IEEE ilmesi amaçlanmaktadır [11]. Bölütleme aşaması, anormallik
arama alanını daraltarak BDT’nin hızını arttırmaktadır [12]. ve uygun yoğunluktaki piksellerden oluşması gerekir [17].
İlgi alanlarının belirlenmesi işlemindeki amaç; anormal olmaya Yoğunluk tabanlı eşiklemede, nesne ve arka plan farklı gri
aday yapıların ortaya çıkarılması ve arama işleminin bu yapılar seviyeli iki değişik gruba ayrılır [18]. Eşikleme böylece bir
üzerinde gerçekleştirilerek sonucun en kısa sürede elde edilme- giriş görüntüsünün bölütlenmiş çıkış görüntüsüne dönüşümü
sidir [13][14]. İlgi alanlarının sınıflandırılması ve tümörlerin işlemidir. Veri seti incelendiğinde tümör yapılarının yoğun-
tespiti işleminin gerçekleştirilmesi amacıyla; kural tabanlı yak- luk miktarlarının belirli değerler arasında olduğu görülmüştür.
laşımlar, şablon eşleme, en yakın komşu kümelemesi, yapay Tümör olmaya uygun yoğunluktaki yapıların belirlenmesi için
sinir ağları ve Bayes sınıflandırıcı kullanılan yöntemlerden yoğunluk sınırını belirten bir adet eşik değeri kullanılmıştır.
birkaçıdır [15]. Bu değer “minimum yoğunluk eşiği” değeridir.
Şekil 2: BDT çalışmasında izlenen basamak ve kullanılan Şekil 3: Morfolojik yapılandırma (a)Orijinal görüntü(maske)
yöntemler (b)İşaretleyici görüntü (c)-(e)Yapılandırma aşamaları (f)Sonuç
görüntü [21]
A. Ön işleme
Kullanılacak işaretleyici görüntülerin oluşturulabilmesi için
Ön işleme aşamasında beyin MR görüntüleri, belirgin ve öncelikle görüntüler belirli bir derecede aşındırma işle-
anlaşılır hale getirilmeye çalışılmıştır. Özellikle de var olan minden geçirilmiştir. Bu işlem için kullanılacak yapısal el-
gürültünün yok edilmesi amacıyla medyan filtre kullanılmıştır. eman tümör yapılarını koruyacak özellikte seçilmiştir. Daha
Ayrıca histogram eşitlemesi yapılmasındaki amaç, yoğunluk sonra aşındırma işleminden geçirilmiş görüntüler işaretleyici
değerlerinin minimum ve maksimum değerler arasına düzgün görüntü, bölütleme aşamasından elde edilen asıl görüntüler de
bir şekilde dağıtılmasıyla görüntünün kendi içinde homojen maske görüntüsü olarak kullanılılmıştır. Aşındırma işlemiyle
bir yoğunluk dağılımına sahip olmasını sağladıktan sonra bu ilgi alanı dışındaki küçük ve karmaşık yapılar yok edilirken,
görüntülerin analiz edilerek yoğunluk eşiklemesi için gereke- ilgi alanı olabilecek yapıların belirli parçaları morfolojik yapı-
cek eşik değerinin daha basit ve doğru bir şekilde seçilmesinin landırma ile tamamlanmıştır.
sağlanabilmesidir.
D. Tümör tespiti
B. Bölütleme
İlgi alanlarının etiketlenmesi: İlgi alanlarının etiketlen-
İlgi alanlarının diğer yapılardan ayrılması için ilgi alan- mesi için Bağlantılı Bileşen Etiketleme(BBE) yöntemi kul-
larını oluşturan pikseller kümesinin, birbirine komşu olan lanılmıştır [22]. Böylece tüm ilgi alanlarının tek tek ele alınıp
incelenebilmesi sağlanmıştır. BBE’de amaç bir görüntüdeki
birbirinden bağımsız yapıların etiketlenmesi ve bu şekilleri G = xcmax − xcmin (5)
oluşturan piksellerin koordinatlarının kayıt altına alınmasıdır
[23]. S ile belirtilen yapının en küçük kalınlığını bulmak için
yüksekliğin ve genişliğin küçük olanı seçilir [25]:
Nesne merkezi tabanlı 8 yönlü tarama: Nesne merkezi
tabanlı 8 yönlü tarama işleminde ilgi alanlarının ayrı birer yapı
olarak incelenebilmesi için BBE yöntemi ile elde edilen etiket S = min(Y, G) (6)
matrisi kullanılmıştır. Beyin MR görüntüleri incelendiğinde
tümör yapılarının diğer yapılara göre daha belirli bir çapa Ve son olarak R ile gösterilen incelenen yapının biçimi (7)
sahip oldukları görülmüştür. Bu açıdan bir nesne merkezi ile hesaplanır [25]:
tabanlı 8 yönlü tarama yöntemi geliştirilmiştir. Etiketlenen
her bir yapının merkez koordinatı temel alınarak 8 yöndeki Ed
uzunlukları inceleme altına alınmıştır. Bu yönteme göre mini- R= (7)
S
mum ve maksimum eşik uzunlukları belirlenerek 8 yöndeki
herhangi bir uzunluğun bu eşiklerden küçük ya da büyük Görüntüdeki tüm ilgi alanları için biçim değeri hesapla-
olması durumunda ilgili yapının tümör adayı olamayacağı ması yapılmış ve sonuçta tümör yapılarının biçim değerlerinin
kararı verilmiştir [24]. belirli değerler arasında değiştiği görülmüştür. Tümör ola-
mayacak yapıların ise biçim değerlerinin daha büyük olduğu
Kural tabanlı tespit: İlgi alanları incelendiğinde tümör- görülmüştür. Bu durumda biçim kuralı açısından bir “biçim
lerin daha kalın ve dairesel, diğer yapıların ise daha ince uzun eşiği” değeri belirlenmiştir. Bir ilgi alanı yapısı için her iki
ve girintili çıkıntılı olduğu görülmüştür. Buna göre tümörleri kural da geçerli ise yani, öklid uzunluğu “öklid uzunluk
normal yapılardan ayırmak amacıyla ilgi alanlarının şekilleri eşiği” değerinden büyük ve biçim miktarı da “biçim eşiği”
incelenmiştir. İlgi alanlarının şekillerinin incelenmesi iki kural değerinden büyük ise söz konusu yapı tümör olamaz. Bu yapı
kullanılarak gerçekleştirilmiştir: ilgi alanı görüntüsünden çıkartılır.
Öklid uzunluğu kuralı: Bir yapının öklid uzunluğu “öklid Şekil 4’te bir hastanın bir yandan diğerine doğru uzanan
uzunluk eşiği” değerinden büyükse, söz konusu yapı gerçek bir (koronal) kesitine sırasıyla uygulanan işlemlerin sonucunda
kitle olamaz. Öklid uzunluk denklemi (1) ile verilmiştir [25]. elde edilen görüntüler verilmiştir.
p
Ed = (xmax − xmin )2 + (ymax − ymin )2 (1)