Pnömonili Hastalarda ve Sağlıklı Bireylerde Akciğer Boyutunun Değerlendirilmesi

Year 2020, Ejosat Special Issue 2020 (ARACONF), 304 - 309, 01.04.2020

Esra Gülay Semra İçer

https://doi.org/10.31590/ejosat.araconf39

Cited By: 2

Abstract

Son yıllarda tıbbi görüntü segmentasyonu çalışmaları ve bu konudaki ihtiyaç hızla artmaktadır. Tıbbi görüntülerde teşhis edilecek bölgenin yarı veya tam otomatik segmentasyonu, doktorlara tanı için önemli bir kolaylık sağlamaktadır. Özellikle doktor eksikliğinin olduğu bazı ülkelerde doktor olmadan tedaviye yardımcı olmak tam otomatik segmentasyon yöntemi ile sağlanmış olacaktır. Bu çalışmada pnömonili hastaların ve sağlıklı bireylerin akciğer röntgeni görüntüleri üzerinde çalışılmıştır. Röntgen görüntüleri diğer görüntüleme yöntemlerine göre daha ucuz ve yorumlanması kolay olmasından dolayı avantajlıdır. Röntgen görüntüleri hazır veri kümesinden alınmış olup, görüntü seti 5 yaşın altındaki çocukların göğüs röntgeni görüntülerinden oluşmaktadır. Alınan veri setinden toplam 15 birey (5 sağlıklı, 5 pnömonili (virüslü) hasta, 5 pnömonili (bakterili) hasta) üzerinde çalışma yapılmıştır. Akciğer alanlarının segmentasyonu için MATLAB programı kullanılmıştır. Segmentasyon için, öncelikle görüntüler MATLAB' e alındıktan sonra boyutu küçültülmüştür. Ardından görüntülerin kontrastı artırılarak, uygun filtre tasarımı ile filtreleme ve eşikleme işlemi yapılmıştır. Eşikleme işlemi için Image Segmenter Tool kullanılmıştır. Yapılan diğer çalışmlardan farklı olarak akciğer segmentasyonu yapmak için active contour yöntemi kullanılmıştır. Active contur işlemi akciğer sınırları içerisinde ve dışarısında eğeriler çizerek ve enerji minimasyonu sağlar, denge sağlanana kadar iterasyon devam eder böylelikle akciğer sınırları belirlenmiş olur. Active contour işleminden sonra morfolojik işlemler uygulanmıştır, akciğer alanları çıkartılmış ve alanları hesaplanmıştır. Sonuç olarak görüntü işleme prosedürleriyle birlikte aktif kontur modeli kullanılarak yarı otomatik segmentasyon gerçekleştirilmiştir. Hasta ve sağlıklı bireylerin akciğer boyutları arasında anlamlı bir fark elde edilmiştir. Gelecekte her hasta için genellenebilcek tam otomatik segmentasyon algoritmasının geliştirilmesi hedeflenmektedir.

Keywords

Göğüs Röntgeni, Pnömoni, MATLAB, Segmentasyon, Aktif Kontur Model (AKM)

Evaluation of Lung Size in Patients with Pneumonia and Healthy Individuals

Abstract

In recent years, medical image segmentation studies and the need for this issue are increasing rapidly. Semi or fully automatic segmentation of the region to be diagnosed in medical images provides doctors with an important convenience for diagnosis. Especially in some countries where there is a lack of a doctor, it will be provided with a fully automatic segmentation method to assist the treatment without a doctor. In this study, lung x-ray images of patients with pneumonia and healthy individuals were studied. X-ray images are advantageous because they are cheaper and easier to interpret than other imaging methods. X-ray images were taken from the ready dataset and the image set consists of chest x-ray images of children under 5 years old. A total of 15 individuals (5 healthy, 5 pneumonia (virus) patients, 5 pneumonia (bacteria) patients) were studied from the data set received. MATLAB program was used for segmentation of lung areas. For segmentation, the images were first reduced to size after being taken to MATLAB. Then, by increasing the contrast of the images, filtering and thresholding process was done with appropriate filter design. Image Segmenter Tool was used for thresholding process. Unlike other studies, active contour method was used to perform lung segmentation. Active contour operation provides energy minimization by drawing skews inside and outside the lung boundaries, iteration continues until equilibrium is achieved, so that the lung boundaries are determined. After active contour procedure, morphological procedures were applied, lung areas were removed and areas were calculated. As a result, semi-automatic segmentation was carried out using the active contour model along with image processing procedures. A significant difference was obtained between the lung sizes of patients and healthy individuals. It is aimed to develop a fully automatic segmentation algorithm that can be generalized for each patient in the future.

Keywords

Chest X-ray (CXR), Pneumonia, MATLAB, Segmentation, Active Contour Model (ACM)

References

• WHO and Maternal and Child Epidemiology Estimation Group (MCEE) estimates 2015.
• Rudan, I., Boschi- Pinto, C., Biloglav, Z., Mullholland, K., Campbell, H. (2008). Epidemiology and etiology of chilhood pneumonia. Bull World Health Organ, pp. 408-416.
• Kermany, D., Goldbaum, M., Cai, W., Lewis, M.A., Xia, H., Zhang, K. (2018). Identify Medical Diagnosis and Treatable Diseases by Image- Based Deep Learning.
• Sharma, A., Raju, D., Ranjan, S. (2017). Detection of pneumonia clouds in chest X-ray using image processing approach. Nirma University International Conference on Engineering (NUiCONE), Ahmedabad, India.
• Saad, M.N., Muda, Z., Sahari, N., Hamid, H.A. (2014). Image Segmentation for Lung Region in Chest X-ray Images using Edge Detection and Morphology. IEEE International Conference on Control System, Computing and Engineering, Penang, Malaysia.
• Pattrapisetwong, P. & Chiracharit, W. (2016). Automatic Lung Segmentation in Chest Radiographs Using Shadow Filter and Local Thresholding. 2016 International Computer Science and Engineering Conference (ICSEC).
• Toğaçar, M., Ergen, B., Sertkaya, M.E. (2018). Zatürre Hastalığının Derin Öğrenme Modeli ile Tespiti.
• (2019) The Kaagle website. [Online]. Available: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia#IM-0001-0001.jpeg
• Tuncer, S.A. (2018). Retinal Görüntülerden Optik Diskin Aktif Kontur Yöntemi ile Bölütlenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi.
• Chan, T.F. &Vese, L.A. (2001). Active contours without edges. IEEE Transactions on Image Processing, 10, (2).
• Kass, M., Witkin, A., Terzopoulos, D. (1988). Snakes: active contour models. International Journal of Computer Vision, 1, 321-331.
• Filho, P.P.R., Cortez, P.C., Barros, A.C., Albuquerque, V.H. (2014). Novel Adaptive Balloon Active Contour Method based on internal force for image segmentation A systematic evaluation on synthetic and real images. Expert Systems with Applications, 41, 7707–7721.
• Seker, D.Z. & Eker, O. (2005). Aktif Kontür Modeller ve Düzey Kümesi Kullanarak Çizgisel Detayların Yarı Otomatik Olarak Çizilmesi. 10. Türkiye Harita Bilimsel ve Teknik Kurultayı.
• Isıkcı, E. & Duru, D.G. (2015). Multiple Skleroz Manyetik Rezonans Görüntülerinde Aktif Kontur Modeli ile Lezyon Tespiti. Tıp Teknolojileri Ulusal Kongresi.
• Tuncer, S.A. & Alkan, A. (2015). Segmentation of thyroid nodules with K-means algorithm on mobile devices. 16th IEEE International Symposium on Computational Intelligence and Informatics (CINTI), Budapest, pp. 345-348.
• Alkan, A., Tuncer, S.A., Gunay, M. (2014). Comparative MR image analysis for thyroid nodule detection and quantification. Measurement, 47, pp. 861-868.