Bilgisayarlı Tomografi Görüntüleri Üzerinde Karaciğer Bölgesinin Bilgisayar Destekli Otomatik Bölütleme Uygulaması

Öz

Son yıllarda tıp alanında, görüntüleme tekniklerinin sıklıkla kullanılması sayesinde Bilgisayar Destekli Tespit (BDT) sistemleri kendisine geniş bir yer bulmuştur.  BDT görüntü işleme uygulamalarında en önemli aşama bölütleme işleminin yüksek doğruluk ile yapılmasıdır. Bu çalışmada, karın bölgesinden çekilen Bilgisayarlı Tomografi(BT) görüntüleri üzerinde karaciğerin bölütlenmesi için bilgisayar destekli otomatik bir yöntem ve bir uygulama yazılımı geliştirilmiştir. Bölütleme için Bölge Büyütme (RG) ve Bulanık C-Ortalamaları (FCM) algoritmalarından yararlanılmıştır. Bu algoritmalar ile yapılan bölütlemelerin başarımını tespit etmek için alanında uzman bir hekimden destek alınmıştır.  Bu amaçla uzman tarafından yapılan seçim ölçüt olarak kullanılarak RG ve FCM algoritmaları ile bilgisayar destekli olarak elde edilen bölütleme sonuçları karşılaştırılmıştır. Karşılaştırma ölçütü olarak Jaccard benzerlik ölçütü kullanılmıştır. 88 BT görüntüsü üzerinde yapılan deneysel çalışmalarda Jaccard benzerlik ölçütüne göre RG algoritmasında %91.15 ve FCM algoritmasında %75.16 bölütleme için ortalama başarım değerleri bulunmuştur. Sonuç olarak Bölge Büyütme algoritması ile yapılan bölütleme işlemlerinin daha başarılı olduğu görülmüştür. Ayrıca, benzerlik ölçümleri sonucunda bulunan nicel değerlerin istatiksel olarak anlamlılık testlerinin değerlendirilmeleri de gerçekleştirilmiş ve RG algoritması ile elde edilen daha başarılı bölütleme sonuçlarının, anlamlı bir fark ortaya koyduğu sonucuna ulaşılmıştır. Bunlara ek olarak, benzerlik ve anlamlılık testleri ile beraber işlem zamanlarının karşılaştırmaları da yapılmış ve burada da RG ile yapılan bölütleme işleminin daha hızlı olduğu sonucuna ulaşılmıştır. Tüm bu elde edilen bulgular ile bu tez çalışmasında karaciğerin bölütlenmesi için önerilen bilgisayar destekli yöntemin ve geliştirilen yazılımın, hekimlerin karar verme aşamalarında ikincil bir yardımcı araç olarak kullanılabileceği görülmüştür.

Anahtar Kelimeler

• Karaciğer BT Görüntüsü,Bilgisayar Destekli Tespit,Görüntü Bölütleme,Bulanık C-Ortalamaları,Bölge Büyütme

Kaynakça

1. [1] D. Pescia, Segmentation of liver tumors on CT images, Ecole Centrale de Paris, MAS laboratory, 2011.
2. [2] Z. Ekşi, E. Dandıl, M. Çakıroğlu, Computer-aided bone fracture detection, 20th Signal Processing and Communications Applications Conference (SIU'12), Fethiye, Turkey, 18-20 April, 2012.
3. [3] S. Gül, G. Çetinel, Meme Manyetik Rezonans Görüntülemede Lezyon Sınırlarının ve Alanının Tespit Edilmesi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22:1(2018) 108-127.
4. [4] X. Lu, The study and application of the improved region growing algorithm for liver segmentation, School of Information Engineering, Inner Mongolia University of Science and Technology, Baoto, 2013.
5. [5] K. S. Seo, Improved fully automatic liver segmentation using histogram tail threshold algorithms, ICCS 2005, pp. 822–825, 2005.
6. [6] K. Yokoyama, T. Kitasaka, K.Mori, Y. Mekada, J. L. Hasegawa, J.L. Toriwaki, Liver region extraction from 3D abdominal X-ray CT images using distribution features of abdominal organs, Journal of Computer Aided Diagnosis of Medical Images, 7:4-3(2003) 48-58.
7. [7] O. Toshiyuki, S. Ryuji, H. Masatoshi, N. Masahiko, W. C. Yen, N. Hironobu, S. Yoshinobu, Automated Segmentation of the Liver from 3D CT Images Using Probabilistic Atlas and Multilevel Statistical Shape Model, Academic Radiology, 15:11(2008) 1390-1403.
8. [8] X. Zhou, T. Kitagawa, K. Okuo, T. Hara, H. Fujita, R. Yokoyama, M. Kanematsu, H. Hoshi, Construction of a probabilistic atlas for automated liver segmentation in non-contrast torso CT images, International Congress Series, 1281, pp.1169-1174, 2005.

9. [9] S. Pan, B. M. Dawant, Automatic 3D segmentation of the liver from abdominal CT images: a level-set approach, Medical Imaging 2001: San Diego, CA, USA, pp. 128-138, 2001.
10. [10] J. Lee, N. Kim, H. Lee, J. B. Seo, H. J. Won, Y. M. Shin, Y. G. Shin, S. H. Kim, Efficient liver segmentation using a level-set method with optimal detection of the initial liver boundary from level-set speed images, Computer Methods and Programs in Biomedicine, 88:1(2007) 26-38.
11. [11] G. Bekes, L.G. Ny´ul, E.M´at´e, A. Kuba, M. Fidrich, 3D segmentation of liver, kidneys and spleen fromCT images, International Journal of Computer Assisted Radiology and Surgery, 2:1(2007) 45–46.
12. [12] F. Liu, B. Zhao, P. K. Kijewski, L. Wang, L. H. Schwartz, Liver segmentation for CT images using GVF snake, Medical Physics, 32:12(2005)3699-3706.
13. [13] S. Huang, B. Wang, X. Huang, Using GVF Snake to Segment Liver from CT Images, International Summer School and Symposium on Medical Devices and Biosensors, MIT, Boston, IEEE-EMBS, pp. 145-148, 2006.
14. [14] J.-S. Hong , T. K. R. Sekiguchi, K.-H. Park, Computer-aided Diagnostic System Based on Liver CT image, MVA2000 IAPR, Workshop on Machine Vision Applications, pp. 419-422, 2000.
15. [15] S. S. Kumar, R. S. Moni, J. Rajeesh, An automatic computer-aided diagnosis system for liver tumours on computed tomography images, Computers and Electrical Engineering, 39(2013)1516-1526.
16. [16] Y. Häme, M. Pollari, Semi-automatic liver tumor segmentation with hidden markov measure field model and non-parametric distribution estimation, Medical Image Analysis, 16(2012)140-149.
17. [17] A. Militzer, et al., Automatic detection and segmentation of focal liver lesions in contrast enhanced CT images, IEEE 2010 20th International Conference on Pattern Recognition (ICPR), 2010.
18. [18] M. Ciecholewski, Automatic liver segmentation from 2D CT images using an approximate contour model, Journal of Signal Processing Systems, 74:2(2014)151-174.
19. [19] R. Gonzalez, R.E. Woods, S.L. Eddins, Digital Image Processing Using Matlab, Prentice Hall, USA, 2004.
20. [20] S. Öztürk, N. Öztürk, Yapay Arı Koloni Algoritması Kullanılarak Görüntü İyileştirme Yönteminin Geliştirilmesi, Gazi Üniversitesi Fen Bilimleri Dergisi Part:C, Tasarım Ve Teknoloji GU J Sci Part:C, 4:4(2016)173-183.
21. [21] D. Sönmezer, Counting mitosis with region growing method on histopathological images, Master Thesis, Erciyes University, 2012.
22. [22] R. Suganya, R. Shanthi, Fuzzy C-Means Algorithm- A Review, International Journal of Scientific and Research Publications, 2:11(2012).
23. [23] R. Kruse, C. Borgelt, D.Nauck, Fuzzy Data Analysis: Challenges and Perspectives, IEEE Int. Conf. on Fuzzy Systems 1999 (FUZZIEEE99), Seoul, pp. 1211-1216, 1999.
24. [24] P. Jaccard, The distribution of the flora in the alpine zone, NewPhytologist, 11:2(1912) 37-50.