Evaluation of Performance of Noise Filtering Applications on Medical Images

Abstract

A brain aneurysm is cerebrovascular disorder which is caused by weakness in blood vessels. This disorder can result in immediate or delayed morbidity and mortality. Brain aneurysms are present in about 2 to 3 percent of the population. In the USA, the estimated number of unruptured brain aneurysms is more than 6 million.
The most crucial factor for clinical treatment of brain aneurysms is early diagnosis. Early diagnosis is a rather difficult procedure. Because of aneurysm’s tiny size at an early stage, even experienced radiologists can miss the detection of some aneurysms. Regarding this reason, CAD (Computer-Aided Diagnosis) systems are needed to help radiologists to have much more reliable detections.
There are three most used medical imaging techniques used for brain aneurysm detection. These are CTA (Computed Tomography Angiography), MRA (Magnetic Resonance Angiography) and DSA (Digital Subtraction Angiography).
CTA and MRA are widely known imaging techniques used for general detection. However, these techniques generally fail to detect small aneurysms for early diagnosis. On the other hand, DSA imaging technique is said to be the ‘golden standard’ for early diagnosis in literature.
All these imaging techniques mentioned above can be used to built CAD systems for making detection more reliable.
CAD systems for aneurysm detection can be built using two methods. The first one is using DIP (Digital Imaging Processing) techniques and extracting hand-crafted features for classical machine learning algorithms. The second one is using deep neural networks and feeding networks directly full of images as inputs. In this technique, there is no feature engineering for feature extraction. Deep neural networks learn appropriate features on his own.
Before using two methods mentioned just above, it’s needed to operate some preprocessing techniques on input images. This is because MR (Magnetic Resonance) machines naturally put some noises on output images. In this paper, image filtering techniques are tested and applied in order to get rid of the impact that is caused by the noises on the image by preserving meaningful pixels and features of the images.

Keywords

• Denoising
• Magnetic Resonance Imaging
• Image Processing
• Aneurysm

Gürültü Filtreleme Uygulamalarının Medikal Görüntüler Üzerindeki Performanslarının Değerlendirilmesi

Öz

Beyin anevrizmaları, beyine giden serebrovasküler kan damarları duvarlarının zayıflığından kaynaklanan damarlardaki şişmelerdir. Bu şişmeler, gereğinden fazla zayıflayan damar duvarlarının yırtılmasına sebep olabilir. Bunun sonucunda çok ciddi hastalıklar, sakatlıklar ve hatta ölümler meydana gelebilir. Beyin anevrizmalarının tedavi edilmesindeki en önemli etken hastalığın erken tespit edilmesidir. Beyin anevrizmalarının ilk aşamalarında, baloncukların küçük boyutlara sahip olmasından dolayı erken teşhis imkânı zorlaşmaktadır. Tecrübeli ve yetenekli radyologlar dahi erken aşamadaki anevrizmaları tespit edilmesi noktasında yetersiz kalabilmektedirler. Bu sebepten dolayı beyin anevrizmalarının tespitinde ve erken teşhisinde bilgisayar sistemlerinden faydalanılmaktadır. Beyin anevrizmaları tespit etmek için kullanılan MR görüntüleri; CT(Computer Tomography), MRA(Magnetic Resonance Angiography) ve DSA(Digital Subtraction Tomography) şeklindedir. CTA ve MRA anevrizma tespitinde en çok kullanılan tekniklerdir. Ancak her iki teknikte de çok küçük boyuttaki beyin anevrizmalarının tespitinde yetersiz olabilmektedir. Bu yetersizlik beyin anevrizması tedavilerinde erken teşhis imkanını ortadan kaldırmaktadır. CTA ve MRA tekniklerinin aksine DSA görüntüleri beyin anevrizmalarının tespitinde daha başarılıdır. Özellikle hastalığın erken teşhisinde DSA teknikleri altın standart olarak kabul edilmektedir. Bilgisayar sistemlerinden faydalanılarak beyin anevrizmalarının tespit ve erken teşhis başarılarını artırmak için yukarıda adı geçen MR (Magnetic Resonance) tekniklerindeki görüntüler analiz edilmektedir. Beyin anevrizmaları tespitinde kullanılan 2 farklı analiz yöntemi vardır. Bunlardan ilki, görüntü işleme tekniklerini kullanarak MR resimlerinden anlamlı karakter bilgilerini çıkartarak yapılan çalışmalardır. İkinci yöntem ise derin öğrenme ve yapay sinir ağlarını kullanarak MR resimlerinin karakter bilgilerini otomatik olarak çıkartarak yapılan çalışmalardır. MR görüntüleri üzerinden analiz yapılmadan önce bu görüntülere bazı ön işlemlerin uygulanması gerekmektedir. Bunun nedeni MR görüntüleri cihazının doğası ve içindeki devrelerin yapısından kaynaklı gürültü bileşenleri içermektedir. Bu incelemede MR görüntülerdeki anlamlı kısımları koruyarak, gürültü işlemlerini giderebilecek filtre çeşitleri incelenmiş ve uygulanmıştır.

Anahtar Kelimeler

• Gürültü filtreleme
• Manyetik Rezonan Görüntüleme
• Görüntü İşleme
• Anevrizma

Kaynakça

1. Solomon, C., 2011, Fundamentals of Digital İmage Processing, ISBN 978-0-470-84472-4, Wiley-Blackwell, UK
2. McVeigh E.R., Henkelman R.M., Bronskill M.J. "Noise and filtration in magnetic resonance imaging", Med. Phys. 12, 586–591, 1985.
3. Perona P. and Malik J. "Scale-space and edge detection using anisotropic diffusion", IEEE Trans. Pattern Anal. Mach. Intell. 12, 629–639, 1990.
4. Buades A, Coll B and Morel J.M. 2005. A non local algorithm for image denoising. IEEE Int. Conf. On Computer Vision and Pattern Recognition (CPVR) 2, 60–65.
5. Hamarneh G. and Hradsky J. "Bilateral filtering of diffusion tensor magnetic resonance images", IEEE Trans. Image Process. 16, 1723–1730, 2007.
6. K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, “Image denoising by sparse 3D transform-domain collaborative filtering,” IEEE Trans. Image Process., vol. 16, no. 8, pp. 2080-2095, August 2007.
7. Z. Wang, D. Zhang, “Progressive switching median filter for the removal of impulse noise from highly corrupted images”, IEEE Transactions on Circuits and Systems, vol. 46, Issue 1, pp 78-80, Jan 1999
8. S. G. Chang, B. Yu, and M. Vetterli, ‘‘Adaptive wavelet thresholdingfor image denoising and compression,’’ IEEE Trans. Image Process., vol. 9, no. 9, pp. 1532--1546, Sep. 2000.

9. C. Tomasi and R. Manduchi, “Bilateral filtering for gray and color images,” Proc. Int. Conf. Computer Vision, 1998, pp. 839–846
10. Marc Lebrun An Analysis and Implementation of the BM3D Image Denoising Method 2012
11. Hore, A., Djemel Z., 2010, Image quality metrics: PSNR vs. SSIM, 2010 International Conference on Pattern Recognition, DOI 10.1109/ICPR.2010.579
12. Z. Wang, A.C. Bovik, H.R. Sheikh, E.P. Simoncelli, Image quality assessment: from error visibility to structural similarity, IEEE Transactions on Image Processing 13 (4) (2004) 600–612.
13. Zhang M. and Gunturk B.K.,"Multiresolution Bilateral Filtering for Image Denoising", IEEE Transactions on Image Processing, 17 (12), 2324-2333, 2008.
14. Wyatt M.G (1999) Aneurysmal disease. In: Davies A.H, editor. Vascular Surgery Highlights 1998-1999. Oxford: Health Press. pp. 41-48.