Using Otsu and Ridler-Calvard Image Processing Methods for Detection of Pneumonia

Abstract

The conversion of image pixel values to black and white color is performed by the method of thresholding image processing. A color image is converted to a black and white image after it is converted to gray. At the end of thresholding, the images reach their simplest form. The value to be used as the threshold must be determined correctly. If the threshold value is too high or low then losses occur on the image. The threshold value can be determined by the user or it can be calculated automatically with the help of some algorithms. In this study, the ratio of white pixel density in the region was determined to detect the presence of pneumonia on lung X-Ray images. Pneumonia occurs in cases of coronavirus disease (COVID-19) that emerged in December 2019. Therefore, the study is in a position to contribute to the literature. In this study, black and white pixels were obtained by using the threshold values obtained by Otsu and Ridler-Calvard algorithm. At the last stage, the presence of pneumonia was detected by calculating the white pixel density obtained with the threshold value results. In this study, a total of 100 lung X-Ray images, 50 of which were healthy and 50 of which had pneumonia, were randomly selected. X-Ray images are obtained from datasets shared as open source on Kaggle storage. According to the results obtained; when testing using two algorithms, the highest white pixel density in the confined area of healthy lung images was found to be 49,6%. In the images of lungs with pneumonia, the white pixel density in the limited area was obtained as the lowest 54,2%. In this study, it has been shown that the presence of pneumonia can be detected by comparing the white pixel densities on X-Ray images by a smart system. According to the results obtained; in future studies, it is seen that the white pixel intensity value can be used as feature data in machine learning algorithms.

Keywords

• COVID-19
• Image processing
• Pneumonia detection
• Ridler-Calvard
• Thresholding

Otsu ve Ridler-Calvard Görüntü İşleme Yöntemlerinin Zatürre Tespitinde Kullanılması

Abstract

Görüntü piksel değerlerini siyah-beyaz renge dönüştürülmesi eşikleme (thresholding), görüntü işleme yöntemiyle gerçekleştirilmektedir. Renkli bir görüntü griye dönüştürüldükten sonra siyah-beyaz görüntüye dönüştürülmektedir. Eşikleme sonunda görüntüler, en sade haline ulaşmaktadır. Eşik olarak kullanılacak değerin, doğru belirlenmesi gerekmektedir. Eğer eşik değeri, çok yüksek veya düşük olursa görüntü üzerinde kayıplar meydana gelmektedir. Eşik değeri, kullanıcı tarafından belirlenebildiği gibi bazı algoritmalar yardımıyla otomatik olarak hesaplanarak da elde edilebilmektedir. Bu çalışmada, akciğer X-Ray görüntüleri üzerinde zatürre (pnömoni) varlığını tespit etmek için akciğer bölgesindeki beyaz piksel yoğunluğunun oranı tespit edilmiştir. Aralık 2019 da ortaya çıkmış olan Koronavirüs hastalığı (COVID-19) vakalarında zatürre ortaya çıkmaktadır. Bundan dolayı yapılan çalışma litaratüre katkı sağlayabilecek durumdadır. Bu çalışmada, Otsu ve Ridler-Calvard algoritmalarıyla elde edilen eşik değerleri kullanılarak elde siyah-beyaz pikseller elde edilmiştir. Son aşamada, eşik değer sonuçlarıyla elde edilen beyaz piksel yoğunluğu hesaplanarak, zatürre varlığı tespiti gerçekleştirilmiştir. Bu çalışmada, 50 tane sağlıklı, 50 tane de zatürre var olan, toplamda 100 tane akciğer X-Ray görüntüsü, rastgele olarak seçilmiştir. X-Ray görüntüleri, Kaggle depolama alanında açık kaynak olarak paylaşılan, veri setlerinden elde edilmiştir. Elde edilen sonuçlara göre; iki algoritma kullanılarak test yapıldığında, sağlıklı akciğer görüntülerindeki, sınırlı alan içindeki beyaz piksel yoğunluğunu en yüksek %49,6 bulunmuştur. Zatürre var olan akciğerlerin görüntülerindeki, sınırlı alan içindeki beyaz piksel yoğunluğu ise en düşük %54,2 olarak elde edilmiştir. Bu çalışmada, akıllı bir sistem tarafından X-Ray görüntüleri üzerindeki beyaz piksel yoğunlukları kıyaslanarak, zatürre varlığının tespit edilebileceği gösterilmiştir. Elde sonuçlara göre; gelecekteki çalışmalarda, beyaz piksel yoğunluk değerinin makine öğrenme algoritmalarında öznitelik verisi olarak kullanılabileceği görülmektedir.

Keywords

• COVID-19
• Zatürre tespiti
• Görüntü işleme
• Ridler-Calvard
• Eşikleme.

References

1. Gorzin K, Sanago A, Jouybari L, Pahlavanzadeh B. The effect of education on function and communication skill of nurse with intubated patient in intensive care unit. Journal of Nursing and Midwifery Science, 7 84-87, 2020.
2. Kanakaprabha S., Radha D. Analysis of COVID-19 and Pneumonia Detection in Chest X-Ray Images using Deep Learning, 2021 International Conference on Communication, Control and Information Sciences (ICCISc), 1-6, 2021.
3. Pathak Y., Shukla P. K., Arya K. V. Deep Bidirectional Classification Model for COVID-19 Disease Infected Patients, in IEEE/ACM Transactions on Computational Biology and Bioinformatics, 18:4 1234-1241, 2021.
4. Li J., Zhang D., Liu Q., Bu R., Wei Q. COVID-GATNet: A Deep Learning Framework for Screening of COVID-19 from Chest X-Ray Images, 2020 IEEE 6th International Conference on Computer and Communications (ICCC), 1897-1902, 2020.
5. Çelik A. Using Apriori Data Mining Method in COVID-19 Diagnosis. Journal of Engineering Technology and Applied Sciences, 5:3 121-131, 2020.
6. Çelik A. Karakter Tanıma İşlemlerinde Eşik Belirleme Yöntemlerinin Kullanılması. Mühendislik Alanında Akademik Çalışmalar-II(1). Basım Yeri:Gece Kitaplığı, 2020.
7. Adam L, Sewery L. Binarizing water sensitive papers-how to assess the coverage area properly?. Crop Protection, 127 104949, 2020.
8. Pavel A.C., Ekateria A.K. Comparative appraisal of global and local thresholding methods for binarisation of off-axis digital holograms. Optics And Lasers In Engineering, 115 119-130, 2019.

9. Lee W.J., Kwon O.K. Image processing for frost thickness measurement in fin-and-tube heat exchangers. Thermal Science And Engineering Progress, 24 100937, 2021.
10. Hernández-Hernández J.L., García-Mateos G., González-Esquiva J. M., Escarabajal-Henarejos D., Ruiz-Canales A., Molina-Martínez J. Optimal color space selection method for plant/soil segmentation in agriculture. Computers And Electronics In Agriculture, 122 124-132, 2016.
11. Xue J.H., Zhang Y.J. Ridler and Calvard's, Kittler and Illingworth's and Otsu's methods for image thresholding. Pattern Recognition Letters, 33:6 793-797, 2012.
12. Smet S., Plougonven E., Léonard A., Degré A., Beckers E. X‐ray Micro‐CT: How Soil Pore Space Description Can Be Altered by Image Processing. Vadose Zone Journal, 17 1-14, 2018.
13. Tabik S. COVIDGR Dataset and COVID-SDNet Methodology for Predicting COVID-19 Based on Chest X-Ray Images, in IEEE Journal of Biomedical and Health Informatics, 24:12 3595-3605, 2020.
14. Darapaneni N. COVID 19 Severity of Pneumonia Analysis Using Chest X Rays, 2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS), 381-386, 2020.
15. Otsu N. A threshold selection method from gray-level histograms. IEEE Transactions On Systems, Man, And Cybernetics, 9:1 62-66, 1979.
16. Çelik A. Optik karakter tanımada hata yayılım algoritmalarının performans kıyaslaması. Journal Of The Institute Of Science And Technology, 10:4 2328-2340, 2020.
17. Beena Ullala Mata B.N., Rishika I.S., Nikita J., Kaliprasad C.S., Niranjan K.R. Detection of Pneumonia Using Chest X-Ray Images and Image Processing Algorithms -A Comparative Study. Journal of Image Processing and Artificial Intelligence, 7:3 31-40, 2021.
18. Ridler T.W., Calvard S. Picture thresholding using an iterative selection method. IEEE Transaction On Systems, Man, And Cybernetics, 8:8 630-632, 1978.
19. Suh H.K., Hofstee J. W., Henten E. J. V. Investigation on combinations of colour indices and threshold techniques in vegetation segmentation for volunteer potato control in sugar beet.Computer And Electronics In Agriculture, 179 105819, 2020.
20. Kaggle, Chest X-Ray Images (Pneumonia), https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia. Erişim Tarihi:Temmuz 2021.
21. Kermany D., Zhang K., Goldbaum M. Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification. Mendeley Data, 3:10 17632, 2018.