Bilgisayarlı Tomografi Görüntüleri Üzerinde Karaciğer Bölgesinin Bilgisayar Destekli Otomatik Bölütleme Uygulaması

Yıl 2019, Cilt: 7 Sayı: 3, 712 - 728, 27.09.2019

Emre Dandıl

https://doi.org/10.29109/gujsc.525257

Cited By: 1

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] D. Pescia, Segmentation of liver tumors on CT images, Ecole Centrale de Paris, MAS laboratory, 2011.
• [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] 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] 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] K. S. Seo, Improved fully automatic liver segmentation using histogram tail threshold algorithms, ICCS 2005, pp. 822–825, 2005.
• [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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] R. Gonzalez, R.E. Woods, S.L. Eddins, Digital Image Processing Using Matlab, Prentice Hall, USA, 2004.
• [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] D. Sönmezer, Counting mitosis with region growing method on histopathological images, Master Thesis, Erciyes University, 2012.
• [22] R. Suganya, R. Shanthi, Fuzzy C-Means Algorithm- A Review, International Journal of Scientific and Research Publications, 2:11(2012).
• [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] P. Jaccard, The distribution of the flora in the alpine zone, NewPhytologist, 11:2(1912) 37-50.