ULTRASON GÖRÜNTÜLERİNDE PROSTAT SINIRININ BULUNMASI

Öz

Ultrason görüntüleme, prostatla ilgili hastalıkların teşhisinde yaygın bir şekilde kullanılmaktadır. Prostatgörüntülerinin otomatik işlenmesi veya üç boyutlu modellerinin çıkarılmasında prostat sınırının bulunması önemkazanmaktadır. Bu çalışmada, iki boyutlu ultrason görüntülerinin analiz edilerek prostat sınırının bulunması içinyeni bir yöntem sunulmaktadır. Bu yöntemde, prostat bölgesinin içinin arka plana göre daha koyu gri değerlerinesahip olması bilgisine dayalı olarak sınır bulunmaktadır. Kullanıcının işaretlediği dikdörtgen görüntübölgesindeki gürültü bir Gauss süzgeci ile azaltılır. Bu görüntü bölgesi, prostatın farklı kısımlarını içeren dört altbölgeye ayrılır. Her bir bölge uyarlanır eşikleme ile ikili görüntüye dönüştürülür. Her bir ikili alt görüntüye ayrımorfolojik kapama ve açma işlemleri uygulanır. Sonra prostatın farklı kısımlarında, yerel bilgilere ve kriterleregöre prostatın sınırı olmaya aday kenar noktaları uyarlanır olarak bulunur. Kenar noktalarının seçimindepiksellerin belirli kalıplara uygun komşuluklar içerip içermediğine bakılır. Şartlara uygun ve birbirine yakın olannoktalar birleştirilir. Böylece önerilen bu yaklaşım ile prostat sınırının son durumu başarılı bir şekilde bulunur.Bu yöntem tek iterasyon kullandığı için, çok iterasyonla sonucu bulan biçimi değişebilen sınır modellerine göredaha hızlı çalışır. Tek iterasyonda sonuca ulaşmakla birlikte, sınırlar oldukça isabetli bulunabilmektedir.

Anahtar Kelimeler

• Görüntü işleme, tıbbi görüntü analizi, biçimi değişebilen sınır modelleri, aktif sınırlar, prostat sınırı.

Kaynakça

1. Blake, A., Isard, M., “Active contours, the
2. application of techniques from graphics, vision,
3. control theory and statistics to visual tracking of
4. shape in motion”, Springer-Verlag, New York,
5. -
6. Kass M., Witkin A., and Terzopoulos D.,
7. “Snakes: active contour models”, International
8. Journal of Computer Vision, Cilt 1, No 4, 321-

9. , 1988.
10. Miller J. V., Breen D. E., Lorensen W. E., O'Bara
11. R. M. and Wozny M. J., “Geometrically
12. deformed models: a method for extracting closed
13. geometrical models from volume data”,
14. Computer Graphics, Cilt 25, No 4, 217-226,
15. -
16. Lobregt S. and Viergever M. A., “A discrete
17. dynamic contour model”, IEEE Trans. Med.
18. Imaging, Cilt 14, No 1, 12-24, 1995.
19. Lefebvre, F., Berger, G., and Laugier, P.,
20. “Automatic detection of the boundary of the
21. calcaneus from ultrasound parametric images
22. using an active contour model”, IEEE
23. Transactions on Medical Imaging, Cilt 17, No
24. , 45–52, 1998.
25. Gonzales, R. C., Woods, R. E., “Digital image
26. processing”, 2nd ed., Prentice Hall, New Jersey,
27. -
28. Otsu, N., “Threshold selection method from graylevel
29. histograms”, IEEE Transactions on
30. Systems, Man and Cybernetics, Cilt 9, No 1,
31. –66, 1979.
32. Ramesh, N., Yoo, J.-H., Sethi, I. K.,
33. “Threshholding based on histogram
34. approximation”, IEE Proceedings: Vision,
35. Image and Signal Processing, Cilt 142, No 5,
36. –279, 1995.
37. Ladak H., Mao F., Wang Y., “Prostate boundary
38. segmentation from 2D ultrasound images”, Med.
39. Phys., Cilt 27, No 8, 1777-1788, 2000.
40. Chiu B. C. Y., Freeman G. H., Salama M. M. A.,
41. Fenster A., Rizkalla K., Downey D. B., “A
42. segmentation algorithm using dyadic wavelet
43. transform and discrete dynamic contour”, IEEE
44. Canadian Conference on Electrical and
45. Computer Engineering (CCECE’03),
46. Montreal, Canada, Cilt 3, 1481- 1484, 2003.
47. Pathak D. S., “Computer-Aided segmentation of
48. anatomical features in transrectal ultrasound
49. prostate images”, Doktora Tezi, University of
50. Washington, Bioengineering Department,
51. USA, 2000.
52. Hönigmann D., Ruisz J., Pottmann H., “Fast
53. model based segmentation of ultrasound data
54. using an active image”, Proceedings IEEE Intl.
55. Symposium on Biomedical Imaging: Macro to
56. Nano, Washington, 225-228, 2002.
57. Shen S., Zhan Y. and Davatzikos C.,
58. “Segmentation of prostate boundaries from
59. ultrasound images using statistical shape model”,
60. IEEE Transaction on Medical Imaging, Cilt
61. , No 4, 539-551, 2003.
62. Chen D. R., Chang R. F., Wu W. J., Moon W. K.
63. and Wu W. L., “3-D breast ultrasound
64. segmentation using active contour model”,
65. Ultrasound in Med.& Biol., Cilt 29, No 7, 1017-
66. , 2003.
67. Gong L. , “Prostate ultrasound image
68. segmentation and registration”, Doktora Tezi,
69. University of Washington, Electrical
70. Engineering, USA, 2003.
71. Xu C. and Prince J. L., “Gradient vector flow: a
72. new external force for snakes”, Proceedings of
73. IEEE Computer Society Conference on
74. Computer Vision and Pattern Recognition,
75. San Juan, Puerto Rico, 66-71, 1997.
76. Xu C. and Prince J. L., “Snakes, shape, and
77. gradient vector flow”, IEEE Transactions on
78. Image Processing, Cilt 7, No 3, 359-369, 1998.
79. Liu R., Shang Y., Sachse F. B., Dössel O., “3D
80. active surface method for segmentation of
81. medical image data: assessment of different
82. image forces”, Biomedizinische Technik, Cilt
83. , No 1, 28-29, 2003.