Panoramik Diş X-Ray Görüntülerinin Gürültü Giderilmesi Uygulaması

Year 2023, Volume: 7 Issue: 1, 13 - 20, 06.07.2023

İclal Çetin Taş

https://doi.org/10.46460/ijiea.1134105

Abstract

Diş röntgeni görüntüleme diş hekimlerinin çürük, kist ve çene yapısı sorunları gibi birçok sorunu tespit etmesine yardımcı olur. Diş hekimleri için panoramik röntgenler ile kapsamlı bir görüntüleme değerlendirmesi sağlayarak diş yapılarının klinik teşhisi ve önleyici muayeneleri önemli bir rol oynamaktadır. Bununla birlikte, araştırmacılar öncelikle bir diş röntgeni görüntüsünü analiz etmek, iyileştirmek ve teşhis süresine katkısını artırmak için görüntü işleme yöntemlerini kullanırlar. Görüntü bölütleme, sınıflandırma, eşik tabanlı analiz, yapay sinir ağları, frekans tabanlı yöntemler, tıbbi görüntüleri analiz etmek ve bilgisayar destekli tıbbi teşhis sistemlerinin geliştirilmesine yardımcı olmak için en yaygın kullanılan görüntü işleme teknikleridir. Bu çalışmada, çekim sırasında çeşitli nedenlerle oluşan gürültü sonucunda bozulan ve netliğini kaybeden görüntülerin iyileştirilmesi için evrişimsel sinir ağları ve ikili ve dalgacık filtreleri kullanılarak görüntüler gürültü giderme açısından analiz edilmiştir. Bu yöntemlerin performansları karşılaştırılmış olup evrişimsel sinir ağları kullanılarak farklı gürültü türlerinde başarılı sonuçlar elde edildiği görülmüştür.

Keywords

Dalgacık. evrişimsel sinir ağları, gürültü giderme, panoramik röntgen.

Application of Panoramic Dental X-Ray Images Denoising

Abstract

Dental X-ray imaging helps dentists detect many problems such as caries, cysts and jaw structure problems. Clinical diagnosis and preventive examinations of dental structures play an important role by providing a comprehensive imaging evaluation with panoramic x-rays for dentists. However, researchers primarily use image processing methods to analyze and improve a dental X-ray image and increase its contribution to the diagnostic time. Image segmentation, classification, threshold-based analysis, artificial neural networks, frequency-based methods are the most widely used image processing techniques to analyze medical images and assist in the development of computer aided medical diagnosis systems. In this study, images were analyzed in terms of noise removal by using convolutional neural networks and binary and wavelet filters to improve the images that were distorted and lost their clarity as a result of noise caused by various reasons during shooting. The performances of these methods were compared and it was seen that successful results were obtained in different noise types by using convolutional neural networks.

Keywords

Convolutional neural network, denoising, panoramic radiograph, wavelet.

References

• [1] Kirti, T., Jitendra, K., Ashok, S. (2016). Poisson noise reduction from X-ray images by region classification and response median filtering.
• [2] Shahmoradi, M., Lashgari, M., Rabbani, H., Qin, J., Swain, M., A, S.M., (2016). A comparative study of new and current methods for dental micro-CT image denoising. Dentomaxillofacial Radiol. 45.
• [3] Yüksek, H.Y. (2015). Selçuk Üniversitesi Fen Bilimleri Enstitüsü Medikal Görüntülerin Çoklu Çözünürlük Metotları İle Analizi Hüseyin Yaşar Lisans Tezi Elektrik-Elektronik Mühendisliği Anabilim Dalı Şubat-2015 KONYA .
• [4] Jin, Y., Jiang, X. Ben, Wei, Z.K., Li, Y. (2019). Chest X-ray image denoising method based on deep convolution neural network. IET Image Process. 13, 1970–1978.
• [5] Muresan, M.P., Barbura, A.R., Nedevschi, S. (2020). Teeth Detection and Dental Problem Classification in Panoramic X-Ray Images using Deep Learning and Image Processing Techniques.
• [6] Chang, S.G., Yu, B., Vetterli, M. (2000). Adaptive wavelet thresholding for image denoising and compression. IEEE Trans. Image Process. 9, 1532–1546.
• [7] Donoho, D.L. (1995). De-Noising by Soft-Thresholding. IEEE Trans. Inf. Theory. 41, 613–627 .
• [8] Yapici, A., Akcayol, M.A. (2022). Derin Öğrenme ile Görüntülerde Gürültü Azaltma Üzerine Kapsamlı Bir İnceleme A Comprehensive Review of Image Denoising With Deep Learning. Int. J. Adv. Eng. Pure Sci.
• [9] Zhang, K., Zuo, W., Chen, Y., Meng, D., Zhang, L. (2017). Beyond a Gaussian denoiser: Residual learning of deep CNN for image denoising. IEEE Trans. Image Process. 26, 3142–3155.
• [10] Remez, T., Giryes, R., Bronstein, A.M. Class-Aware Fully-Convolutional Gaussian and Poisson Denoising.
• [11] Noor, A., Zhao, Y., Khan, R., Wu, L., Abdalla, F.Y.O. (2020). Median filters combined with denoising convolutional neural network for Gaussian and impulse noises. Multimed. Tools Appl. 79, 18553–18568.
• [12] Chen, J., Li, F. (2019). Denoising convolutional neural network with mask for salt and pepper noise. IET Image Process. 13, 2604–2613.
• [13] Yang, R., Liu, Y. (2022). A Two-stage Method for Non-extreme Value Salt-and-Pepper Noise Removal.
• [14] Güdelek, M.U. (2019). Zaman serisi analiz ve tahmini : Derin öğrenme yaklaşımı.
• [15] Xing, Y., Xu, J., Tan, J., Li, D., Zha, W. (2019). Deep CNN for removal of salt and pepper noise. IET Image Process. 13, 1550–1560.
• [16] O’shea, K., Nash, R. An Introduction to Convolutional Neural Networks.
• [17] Firildak, K., Fatih TALU, M. (2019). Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi Investigation of Transfer Learning Approaches Used Convolution Neural Networks.
• [18] Golilarz, N.A. De-noising of Hyper-spectral Images in Wavelet Domain with Improved Soft Thresholding.
• [19] Tepe, C., Sezgin, H. EKG Sinyalinde Gürültü Gidermede Ayrık Dalgacık ve Paket Dalgacık Yöntemlerinin Karşılaştırılması.
• [20] Kutan, F., Aynur, Ö. (2019). Gürültü Filtreleme Uygulamalarının Medikal Görüntüler Üzerindeki Performanslarının Değerlendirilmesi. Eur. J. Sci. Technol. Spec. Issue. 265–271.
• [21] Verma, R., Ali, J. (2013).A comparative study of various types of image noise and efficient noise removal techniques.
• [22] Sümer, A., Taşyapi Çelebi̇, A., Öklid Mesafe Tabanlı Uyarlamalı Filtre Kullanılarak Tuz Biber Gürültüsü Giderimi. Haberleşme Mühendisliği Bölümü, E., Fakültesi, M., Üniversitesi, K.
• [23] Thakur, K. V. (2016). Damodare, O.H., Sapkal, A.M.: Poisson Noise Reducing Bilateral Filter. Procedia Comput. Sci. 79, 861–865. [24] Küpeli, C., Bulut, (2020). Görüntüdeki Tuz Biber ve Gauss Gürültülerine Karşı Filtrelerin Performans Analizleri. Haliç Üniversitesi Fen Bilim. Derg.
• [25] Kaur S. (2015). Noise Types and Various Removal Techniques.Computer Vision.
• [26] Güraksın, G.E. (2018). Tuz Biber Gürültülerinin Giderilmesi için k-Ortalama Algoritması Tabanlı Filtre Tasarımı. Süleyman Demirel Üniversitesi Fen Bilim. Enstitüsü Derg. 22, 972.
• [27] Boztoprak, H., Tarihi, G. (2016). KENAR GEÇİŞLERİ KULLANILARAK GÖRÜNTÜDEKİ BULANIKLIĞIN GİDERİLMESİ. SDU Int. J. Technol. Sci. 8, 28–36.
• [28] Rehman, A., Rostami, M., Wang, Z., Brunet, D., Vrscay, E.R.(2012). SSIM-inspired image restoration using sparse representation. EURASIP J. Adv. Signal Process.
• [29] Hasan, M., El-Sakka, M.R. (2018). Improved BM3D image denoising using SSIM-optimized Wiener filter. EURASIP J. Image Video Process. 2018, 25.