GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ

Hilal Kaya; Abdullah Çavuşoğlu; Hasan Basri Çakmak; Baha Şen; Dursun Delen

doi:10.17341/gummfd.85749

GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ

Öz

Keratokonus hastalığının teşhisinde ve tedavi sonrası iyileşme sürecinin izlenmesinde alan uzmanlarına destek olmak üzere, korneal görüntülerin bölütlenme ve benzetim süreçlerini otomatize eden bir uygulama geliştirilmiştir. Çalışmanın yürütülmesi için, önceden kaydedilmiş 545 gerçek kornea görüntüsü kullanılmıştır. Üç boyutlu görüntüleme sürecinden önce, hastalıktan etkilenmiş bölgeler, görüntü bölütleme yöntemleri yardımı ile bölütlenmiştir. Daha sonra orijinal görüntüler ve bölütlenmiş görüntüler, geliştirilmiş olan uygulama yardımı ile üç boyutlu olarak modellenmiş ve birbirleri ile karşılaştırılmalarını sağlayacak ara yüzler geliştirilmiştir. Ayrıca kullanılmış olan bölütleme yöntemlerinin performansları karşılaştırılarak korneal bölütleme için daha uygun olan yönteme karar verilmeye çalışılmıştır.

İki farklı bölütleme yöntemi kullanılarak 545 adet iki boyutlu görüntü arasından, bölge-tabanlı bölütleme yöntemi yardımı ile 536 adedi; piksel-tabanlı bölütleme yöntemi yardımı ile ise 529 adedi başarılı şekilde bölütlenmiştir. Başarılı bölütleme yüzdeleri sırasıyla %98.34 ve %97.06'dır. Bu çalışma, korneal görüntülerin bölütlenmesinde bölge-tabanlı bölütleme yönteminin, piksel-tabanlı bölütleme yöntemine göre daha uygun sonuç verdiğini ve Keratokonus hastalığında hastalığın ve iyileşme sürecinin izlenmesinin üç boyutlu görüntüleme yöntemleri yardımı ile kolaylaştırılabileceğini göstermiştir. Bu çalışma, korneal görüntüleme üzerine yapılacak sonraki çalışmalar için önemli bir adım olacaktır.

Anahtar Kelimeler

Görüntü bölütleme,üç boyutlu görüntüleme,Keratokonus

Kaynakça

Romero-Jiménez M., Santodomingo-Rubido J., Wolffsohn J.S. Keratoconus:A Review. Cont Lens Anterior Eye 2010; 33(4): 157-66. [DOI: 10.1016/j.clae.2010.04.006]
Zhang Y., Li Z., Liu L., Han X., Zhao X. & Mu G. Comparison of Riboflavin/Ultraviolet-A Cross-Linking in Porcine, Rabbit, and Human Sclera. BioMed Research International 2014:194204. [DOI:10.1155/2014/194204]
Wittig-Silva C., Whiting M., Lamoureux, E., Lindsay R.G., Sullivan L.J., Snibson G.R. A randomized controlled trial of corneal collagen cross-linking in progressive keratoconus: preliminary results. J Refract Surg 2008; 24(7):720-725. [DOI: 10.1016/j.ophtha.2013.10.028]
Ertan A., Colin J. Intracorneal rings for keratoconus and keratectasia. J Cataract Refract Surg. 2007; 33(7): 1303-14. [DOI:10.1016/j.jcrs.2007.02.048]
Dahl B.J., Spotts E. & Truong J.Q. Corneal collagen cross-linking: An introduction and literature review. Optometry 2012; 83: 33-42. [DOI: 10.1016/j.optm.2011.09.011.]
Coskunseven E., Jankov M.R. & Hafezi F. Contralateral eye study of corneal collagen cross-linking with riboflavin and UVA irradiation in patients with keratoconus. J Refract Surg. 2009; 25:371-376. [DOI:10.3928/1081597X-20090401-02]
Raiskup-Wolf F., Hoyer, A., Spoerl, E. & Pillunat, L.E. Collagen crosslinking with riboflavin and ultraviolet-A light in keratoconus: Long-term results. Journal of Cataract&Refractive Surgery 2008; 34: 796-801.
Doi K. Current status and future potential of computer-aided diagnosis in medical imaging. An International Journal of Radiology, Radiation Oncology and All Related Sciences 2014. [DOI: 10.1259/bjr/82933343]

Chen X., Udupa J.K., Bagci U., Zhuge Y. & Yao J. Medical image segmentation by combining graph cuts and oriented active appearance models. IEEE Transactions on Image Processing 2012; 21: 2035-2046. [DOI:10.1109/TIP.2012.2186306]
Becker M. & Thalmann N.M. Deformable models in medical image segmentation. 3D Multiscale Physiological Human 2014; 81-106. [DOI: 10.1007/978-1-4471-6275-9_4]
İşcan Z., Dokur Z. & Ölmez T. Tumor detection by using Zernike moments on segmented magnetic resonance brain images. Expert Systems with Applications 2010; 37(3): 2540-2549. [DOI:10.1016/j.eswa.2009.08.003]
Nazir M., Wahid F. & Ali Khan S. A simple and intelligent approach for brain MRI classification. Journal of Intelligent and Fuzzy Systems 2015; 28(3): 1127-1135. [DOI: 10.3233/IFS-141396]
Image Processing, Retrieved on April 10, 2015 from the World Wide Web:
http://www.coe.utah.edu/~cs4640/slides/Lecture0.pdf.
Sharma N. & Aggarwal L.M. Automated medical image segmentation techniques. Journal of Medical Physics 2010; 35(1): 3-14. [DOI: 10.4103/0971-6203.58777]
Bağcı, U. Automatic anatomy recognition and registration: Medical image processing and analysis, LAP LAMBERT Academic Publishing 2010.
Acharjya P.P., Sinha A. , Sarkar S., Dey S., Ghosh S. A New Approach of Watershed Algorithm Using Distance Transform Applied to Image Segmentation. International Journal of Innovative Research in Computer and Communication Engineering 2013; 1(2): 185-189. [ISSN (Online): 2320 – 9801]
Hsu W.Y. Improved watershed transform for tumor segmentation: Application to mammogram image compression. Expert Systems with Applications 2012; 39(4): 3950-3955. [DOI: 10.1016/j.eswa.2011.08.148]
Wong A.K.O., Hummel K., Moore C., Beattie K.A., Shaker S., Craven B.C., Adachi J.D., Papaioannou A. & Giangregorio L. Improving reliability of pQCT-derived muscle area and density measures using a watershed algorithm for muscle and fat segmentation. Journal of Clinical Densitometry 2015; 18 (1): 93-101. [DOI: 10.1016/j.jocd.2014.04.124]
Allaoui A.E. & Nasri M. Medical image segmentation by marker-controlled watershed and mathematical morphology. The International Journal of Multimedia&Its Applications (IJMA) 2012; 4(3) [DOI: 10.5121/ijma.2012.4301]
Morphological Segmentation, Retrieved on June 15, 2015 from the World Wide Web: http://fiji.sc/Morphological_Segmentation
Kaur R. & Malik E.G. An image segmentation using improved FCM watershed algorithm and DBMF. Journal of Image and Graphics 2014; 2(2):106-112. [DOI: 10.12720/joig.2.2.106-112]
Kaya H., Çavuşoğlu A., Çakmak H.B., Şen B.& Çalık E. Emerging Trends in Computational Biology, Bioinformatics, and System Biology (Elsevier), Morgan Kaufmann, 2015; 561-575. [DOI: 10.1016/B978-0-12-802508-6.00031-4]

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

-

Yazarlar

Hilal Kaya

Abdullah Çavuşoğlu Bu kişi benim

Hasan Basri Çakmak Bu kişi benim

Baha Şen

Dursun Delen Bu kişi benim

Yayımlanma Tarihi

6 Eylül 2016

Gönderilme Tarihi

21 Ağustos 2015

Kabul Tarihi

-

Yayımlandığı Sayı

Yıl 2016 Cilt: 31 Sayı: 3

DOI

https://doi.org/10.17341/gummfd.85749

IZ

https://izlik.org/JA83GZ43WC

Kaynak Göster

RIS / Bibtex

APA

Kaya, H., Çavuşoğlu, A., Çakmak, H. B., Şen, B., & Delen, D. (2016). GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31(3). https://doi.org/10.17341/gummfd.85749

AMA

1.Kaya H, Çavuşoğlu A, Çakmak HB, Şen B, Delen D. GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ. GUMMFD. 2016;31(3). doi:10.17341/gummfd.85749

Chicago

Kaya, Hilal, Abdullah Çavuşoğlu, Hasan Basri Çakmak, Baha Şen, ve Dursun Delen. 2016. “GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 31 (3). https://doi.org/10.17341/gummfd.85749.

EndNote

Kaya H, Çavuşoğlu A, Çakmak HB, Şen B, Delen D (01 Eylül 2016) GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 31 3

IEEE

[1]H. Kaya, A. Çavuşoğlu, H. B. Çakmak, B. Şen, ve D. Delen, “GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ”, GUMMFD, c. 31, sy 3, Eyl. 2016, doi: 10.17341/gummfd.85749.

ISNAD

Kaya, Hilal - Çavuşoğlu, Abdullah - Çakmak, Hasan Basri - Şen, Baha - Delen, Dursun. “GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 31/3 (01 Eylül 2016). https://doi.org/10.17341/gummfd.85749.

JAMA

1.Kaya H, Çavuşoğlu A, Çakmak HB, Şen B, Delen D. GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ. GUMMFD. 2016;31. doi:10.17341/gummfd.85749.

MLA

Kaya, Hilal, vd. “GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 31, sy 3, Eylül 2016, doi:10.17341/gummfd.85749.

Vancouver

1.Hilal Kaya, Abdullah Çavuşoğlu, Hasan Basri Çakmak, Baha Şen, Dursun Delen. GÖRÜNTÜ BÖLÜTLEME ve GÖRÜNTÜ BENZETİMİ YÖNTEMLERİ YARDIMI ile HASTALIĞIN TEŞHİS ve TEDAVİ SONRASI SÜREÇLERİNİN DESTEKLENMESİ: KERATOKONUS ÖRNEĞİ. GUMMFD. 01 Eylül 2016;31(3). doi:10.17341/gummfd.85749

Cited By

A Novel Method for Classifying Liver and Brain Tumors Using Convolutional Neural Networks, Discrete Wavelet Transform and Long Short-Term Memory Networks

Sensors

https://doi.org/10.3390/s19091992

Bölgesel Evrişimsel Sinir Ağları Tabanlı MR Görüntülerinde Tümör Tespiti

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.460535