Abdominal bilgisayarlı tomografi görüntülerinde böbrek taşlarının sınırlarının ve sayılarının görüntü işleme yöntemleri kullanılarak tespiti.

Öz

Böbrek taşlarının medikal görüntülerdeki teşhisi ve tespiti hastalığın seyri ve tedavi yönteminin belirlenmesi açısından önemlidir. Abdominal Bilgisayarlı Tomografi (BT) görüntülerinin gürültülü ve düşük çözünürlükte olması böbrek taşı teşhisini zorlaştıran faktörlerdir. Bu çalışmada abdominal BT görüntülerinde bulunan böbreklerdeki taşların sınırlarının ve sayılarının belirlenmesi amaçlanmıştır. İlk olarak BT görüntülerinin netleştirilmesi ve gürültünün yok edilmesi için Gama Düzeltmesi yöntemi kullanılmıştır. İkinci olarak böbrekler, ilgi bölgesi (ROI: Region of Interest) yöntemi ile manuel olarak seçilmiştir. Seçilen böbrek bölgelerinde eşikleme uygulanarak böbrek taşlarının tespiti gerçekleştirilmiştir. Böbrek sınırları içerisinde bulunan taşlara Morfolojik aşındırma ve genişletme işlemleri uygulanarak görüntüde bitişik algılanan taşlar ayrıştırılmış ve taşlar sayılmıştır. Çalışmanın başarımının hesaplanması için Hata Matrisi oluşturulmuştur. Önerilen yöntemin performans analizinde Doğruluk (Accuracy), Hassasiyet (Sensivity) ve Özgüllük (Specifity) değerleri sırasıyla %97, %96, %100 şeklinde Hata Matrisi kullanılarak hesaplanmıştır. Elde edilen sonuçlar, kullanılan yöntemin böbrek taşı tespiti ve sayımında başarılı olduğunu göstermektedir.

Anahtar Kelimeler

• Görüntü işleme
• Böbrek taşı
• ROI
• Eşikleme
• Morfoloji

The detection of the borders and numbers of kidney stones in the abdominal computed tomography images using image processing methods.

Abstract

The diagnosis and detection of kidney stones in medical images are important in terms of determining disease progression and treatment methods. Noisy and low-resolution Abdominal Computed Tomography (CT) images are factors that complicate the diagnosis of kidney stones. The goal of this study is to determine the borders and number of stones found in the kidney on abdominal CT images. Firstly, the Gamma Correction method is used to sharpen CT images and eliminate noise. Secondly, the kidneys are selected manually using the Region of Interest (ROI) method. The detection of kidney stones is carried out by applying a threshold to the selected kidney regions. By applying morphological erosion and dilation processes to the stones within the limits of the kidney, the stones detected adjacent in the image are separated, and the stones are counted. The confusion matrix is created to calculate the performance of the study. In the performance analysis of the proposed method, the Accuracy, Sensitivity, and Specificity values using the Confusion Matrix are calculated at 97%, 96%, and 100%, respectively. The results show that the proposed method is successful in detecting and counting kidney stones.

Keywords

• Image processing
• Kidney stones
• ROI
• Thresholding
• Morphology

Kaynakça

1. N. Thein, H. A. Nugroho, T. B. Adji, and K. Hamamoto, An image preprocessing method for kidney stone segmentation in CT scan images. International Conference on Computer Engineering, Network and Intelligent Multimedia (CENIM), pp. 147-150, 2018.
2. W. Kittanamongkolchai etc., The Changing Incidence and Presentation of Urinary Stones Over 3 Decades, Mayo Clinic Proceedings, 291-299, 2018. https://doi: 10.1016/j.mayocp.2017.11.018.
3. T. Shah and S. Kadge, Analysis and identification of renal calculi in computed tomography images. International Conference on Nascent Technologies in Engineering (ICNTE), pp. 1-4, Navi Mumbai, India, Ocak 2019.
4. S. Ebrahimi and V. Y. Mariano, Image quality improvement in kidney stone detection on computed tomography images. institute of computer science. University of the Philippines Los Baños, Laguna, Philippines. JOIG, 3 (1), 2015. https://doi: 10.18178 /joig.3.1.40-46.
5. Dr. P. Akkasaligar, S. Biradar, and V. Kumbar, Kidney stone detection in computed tomography images. International Conference On Smart Technologies For Smart Nation (SmartTechCon), pp. 353-356, Bengaluru, India 2017.
6. M. Deger ve İ. A. Aridogan, Perkutan nefrolitotomide komplikasyonlar ve yaklaşım. Çukurova Anestezi ve Cerrahi Bilimler Dergisi, 2 (2), 2019. https://dergipa rk.org.tr/tr/pub/jocass/issue/48421/605065
7. Medullary Sponge Kidney https://radiopaedia.or/case s/medullary-sponge-kidney-8?lang=us, Accessed 17 January 2021.
8. M. Sahnoun, F. Kallel, M. Dammak, C. Mhiri, K. Ben Mahfoudh, and A. Ben Hamida, A comparative study of MRI contrast enhancement techniques based on Traditional Gamma Correction and Adaptive Gamma Correction: Case of multiple sclerosis pathology. 4th International Conference on Advanced Technologies for Signal and Image Processing (ATSIP), pp. 1-7. Sousse, Mar. 2018.

9. Rafael C. Gonzales and Richard E. Woods, Digital Image Processing, 2014.
10. S. Çınar and M. N. Kurnaz, Segmentation of medical images by using k-NN classifier on Field Programmable Logic Array (FPGA). National Conference on Electrical, Electronics and Computer Engineering p.5 Bursa, Turkey, 2010.
11. S. Çınar, Design of an automatic hybrid system for removal of eye-blink artifacts from EEG recordings, Biomedical Signal Processing and Control. c. 67, s. 102543, May. 2021, https://doi: 10.1016/j.bspc.20 21. 102543.
12. MedPix https://medpix.nlm.nih.gov/home Accessed 14 May 2021.
13. Articles Radiopaedia https://radiopaedia.org/encyclo paedia/all/all?lang=us, Accessed 14 May 2021.