FİZYOTERAPİ VE REHABİLİTASYONDA GÜNCEL YAZILIM TEKNOLOJİSİ: GÖRÜNTÜ İŞLEME TEKNİĞİ

Öz

Bilim ve teknolojideki gelişmeler pek çok alanda olduğu gibi sağlık alanında da değişime sebep olmuştur. Sağlık sektöründe bilgisayarların yaygın kullanılması ile birlikte yeni birçok teknik ve yöntem insanların kullanımına sunulmuştur. Sağlık yönetimi ve klinik süreçlerde dijital dönüşüme geçilmesiyle teşhis, tedavi gibi süreçler hızlanmış, hizmet kalitesinin artırılması amaçlanmıştır. Özellikle tıp alanındaki görüntüleme teknolojilerindeki ilerleyiş bilgisayar tabanlı tekniklerin sağlık birimlerinde daha çok kullanılmasını sağlamıştır. Sağlık hizmetlerinde kullanılan bu yöntemlerden birisi de görüntü işleme tekniğidir. Görüntü işleme, içinde bilgisayar ve matematik bilimlerini temel alarak; görüntünün ilk olarak elde edilmesi ile başlayıp amaca yönelik uygulanan farklı tekniklerden oluşan işlemler bütünüdür. Bu çalışmada sağlığın pek çok birimi ile birlikte özelinde fizyoterapi ve rehabilitasyon alanında uygulanan görüntü işleme yazılımlarıyla ilgili var olan araştırmalara genel bir bakış açısı sunmak amaçlanmıştır. Bunun için literatürdeki kaynaklardan yola çıkılarak görüntü işleme tekniğinden bahsedilmiş, sağlık alanı ile beraber fizyoterapi ve rehabilitasyon alanında uygulamaya ilişkin yapılan çalışmalar özetlenmiştir.

Anahtar Kelimeler

• Görüntü işleme
• sağlık enformatiği
• fizyoterapi ve rehabilitasyon

CURRENT SOFTWARE TECHNOLOGY IN PHYSIOTHERAPY AND REHABILITATION: IMAGE PROCESSING TECHNIQUE

Abstract

Developments in science and technology have caused changes in the health field, as in many other fields. With the widespread use of computers in the health sector, many new techniques and methods have been made available to people. With the transition to digital transformation in health management and clinical processes, processes such as diagnosis, and treatment have accelerated, aiming to increase the quality of service. Especially the progress in medical imaging technologies has enabled computer-based techniques to be used more in health units. One of these methods used in health services is the image processing technique. Based on the computer and mathematical sciences, image processing is a set of processes consisting of different techniques applied, starting with the initial image acquisition. This study aims to present an overview of the existing research on image processing software applied in physiotherapy and rehabilitation, together with many health units. For this purpose, the image processing technique was mentioned based on the sources in the literature, and the studies on the application in physiotherapy and rehabilitation together with the health field were summarized.

Keywords

• Image processing
• health informatics
• physiotherapy and rehabilitation

Kaynakça

1. 1. Gonzalez R. C., Woods R. E. Digital Image Processing, 3th Ed., A.B.D., New Jersey: Prentice Hall 2007.
2. 2. Yaman, K., Sarucan, A., Mehmet, A. T. A. K., Aktürk, N. Dinamik çizelgeleme için görüntü işleme ve arıma modelleri yardımıyla veri hazırlama. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 2001,16(1), 19-40.
3. 3. Samtaş, G., Gülesin, M. Sayısal görüntü işleme ve farklı alanlardaki uygulamaları. Ejovoc (Electronic Journal of Vocational Colleges), 2011, 2(1), 85-97.
4. 4. Dougherty G. Digital Image Processing for Medical Applications, 1th Edition, Cambridge University Press, New York 2009.
5. 5. M.Costantini, M. Zavagli, G. Milillo, A Novel Approach to Image Segmentation, IEEE Transactions, 2002. 6. Kayaalp K, Süzen AA. Derin Öğrenme ve Türkiye’deki Uygulamaları, Institution of Economic Development and Social Researches Publications, Türkiye, 2018
6. 7. Raynor WJ. The International Dictionary of Artificial Intelligence, Glenlake Publishing Company, USA, 1999
7. 8. Kumar, G., Nistala, V., Murthy, E. S. Analysis of medical image processing and its applications in healthcare industry. International Journal of Computer Technology & Applications, 2014, 5(3), 851-860.
8. 9. Zikos M, Kaldoudi E, Orphanoudakis S. Medical Image Processing. Stud Health Technol Inf 1997, 43: 465-9.

9. 10. Rueckert, D., Glocker, B., Kainz, B. Learning clinically useful information from images: Past, present and future. Medical image analysis, 2016, 33, 13-18.
10. 11. Pandit, H., Shah, D. M. Application of digital image processing and analysis in healthcare based on medical palmistry. In International Conference on Intelligent Systems and Data Processing (ICISD), 2011, pp. 56-59.
11. 12. Bulsara, V., Bothra, S., Sharma, P., Rao, K. M. M. Low cost medical image processing system for rural/semi urban healthcare. In 2011 IEEE Recent Advances in Intelligent Computational Systems, 2011, pp. 724-728.
12. 13. Wells III, W. M. Medical image analysis–past, present, and future. Medical Image Analysis, 2016, 33, 4-6.
13. 14. Abd El-Wahab, B. S., Nasr, M. E., Khamis, S., Ashour, A. S. BTC-fCNN: Fast Convolution Neural Network for Multi-class Brain Tumor Classification. Health information science and systems, 2023, 11(1), 3.
14. 15. Pluthero, F. G., Kahr, W. H. A. Evaluation of human platelet granules by structured illumination laser fluorescence microscopy. Platelets, 2023, 34(1), 2157808.
15. 16. Kaya, M., Eris, M. D3SENet: A hybrid deep feature extraction network for Covid-19 classification using chest X-ray images. Biomedical signal processing and control, 2023, 82, 104559.
16. 17. Ucuzal, H., Küçükakçalı, Z., Güldoğan, E. Investigation of Usability of Artificial Intelligence Semantic Video Processing Methods in Medicine. Medical Records, 4(3), 297-303.
17. 18. Tanyıldızı E, Okur S. Retina Görüntülerindeki Kan Damarlarının Belirlenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 2016, 28(2), 15-22.
18. 19. Sadeghi, M. M., Kececi, E. F., Bilsel, K., & Aralasmak, A. (2023). Biomedical Image Processing Software Development for Shoulder Arthroplasty. In Research Anthology on Improving Medical Imaging Techniques for Analysis and Intervention, 2023, pp. 756-773.
19. 20. Hagler Jr, D. J., Hatton, S., Cornejo, M. D., Makowski, C., Fair, D. A., Dick, A. S., ... & Dale, A. M. Image processing and analysis methods for the Adolescent Brain Cognitive Development Study. Neuroimage, 2019, 202, 116091.
20. 21. About The Adolescent Brain Cognitive Development (ABCD) Study®. (Erişim tarihi: 24.01.2023) Erişim adresi: https://abcdstudy.org/about/
21. 22. About the Cancer Imaging Archive (TCIA). (Erişim tarihi: 24.01.2023). Erişim adresi: https://www.cancerimagingarchive.net/about-the-cancer-imaging-archive-tcia/.
22. 23. About the Medical Image Processing Group (Erişim tarihi: 24.01.2023) Erişim adresi: https://www.pennmedicine.org/departments-and-centers/department-of-radiology/radiology-research/labs-and-centers/biomedical-imaging-informatics/medical-image-processing-group
23. 24. Ergene, M. C., Bayrak, A., Ceylan, M. Tracking the injury recovery of professional football players with infrared thermography: Preliminary Study. European Journal of Science and Technology, 2020, (Special Issue), 207-213.
24. 25. Kiran, B. Sağlıklı bireylerde ultrasonografi kullanarak tendon kaymasının sayısal tespiti. Master's thesis, Lisansüstü Eğitim Enstitüsü.
25. 26. Sarı, Fırat. Riskli yenidoğanların ekstremite hareketlerinin bilgisayar destekli analizi ile kısa dönem morbiditenin öngörülmesi. Uzmanlık tezi
26. 27. Adde, L., Helbostad, J. L., Jensenius, A. R., Taraldsen, G., and Støen, R. Using computer-based video analysis in the study of fidgety movements. Early Human Development, 2009, 85(9), 541-547.
27. 28. Adde, L., Helbostad, J. L., Jensenius, A. R., Taraldsen, G., Grunewaldt, K. H., and Støen, R. Early prediction of cerebral palsy by computer‐based video analysis of general movements: a feasibility study. Developmental Medicine & Child Neurology, 2010, 52(8), 773-778.
28. 29. Adde, L., Yang, H., Sæther, R., Jensenius, A. R., Ihlen, E., Cao, J. Y., and Støen, R. Characteristics of general movements in preterm infants assessed by computer-based video analysis. Physiotherapy Theory and Practice, 2018, 34(4), 286-292.
29. 30. Ihlen, E. A., Støen, R., Boswell, L., de Regnier, R.A., Fjørtoft, T., Gaebler-Spira, D., Labori, C., Loennecken, M. C., Msall, M. E., and Möinichen, U. I. Machine learning of infant spontaneous movements for the early prediction of cerebral palsy: a multi-site cohort study. Journal of Clinical Medicine, 2020, 9(1), 5.
30. 31. Baccinelli, W., Bulgheroni, M., Simonetti, V., Fulceri, F., Caruso, A., Gila, L., and Scattoni, M. L. Movidea: a software package for automatic video analysis of movements in infants at risk for neurodevelopmental disorders. Brain Sciences, 2020, 10(4), 203.