Beyin MR Görüntülerinin İyileştirilmesi için Kuadratik Görüntü Filtre Tasarımı

Yıl 2019, Cilt: 2 Sayı: 2, 34 - 38, 30.12.2019

Süleyman Uzun , Emre Dandıl , Esin Karagöz

Öz

Doğrusal
olmayan filtreler sınıfına ait Volterra filtrelerinin bir alt sınıfı olan
Kuadratik görüntü filtreleri, doğrusal olmayan karakteristiklere sahip
görüntülerin işlenmesinde doğrusal filtrelere göre daha iyi sonuç üretirler. Bu
çalışmada, Kuadratik görüntü filtreleri kullanılarak beyin MR görüntülerin
iyileştirilmesi için bir filtre tasarlanmıştır. Çalışmada kullanılan Kuadratik
görüntü filtrelerin maske ağırlıkları farklı eğitim görüntüleri üzerinde
Genetik Algoritmalar ile eğitilerek belirlenmiştir. Hesaplanan ağırlıklar kullanılarak
beyin MR görüntüleri filtrelenerek iyileştirilen görüntüler elde edilmiştir.
Tasarlanan filtrenin başarısını ölçmek için aynı görüntüler medyan filtre ile
filtrelenerek görüntü kaliteleri bir birleri ile karşılaştırılmıştır. Deneysel
çalışmalarda elde edilen sonuçlara göre, önerilen filtrenin görüntülerdeki
tümörlü bölgelerin tespiti ve bu bölgelerinin kenarlarının daha iyi korunduğu
görülmüştür.

Anahtar Kelimeler

Kuadratik görüntü filtreleri, MR görüntüleri, beyin tümörleri, genetik algoritmalar, görüntü iyileştirme

Destekleyen Kurum

Bilecik Şeyh Edebali Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü

Proje Numarası

2019-01.BŞEÜ.03-06

Teşekkür

Yapılan bu çalışma Bilecik Şeyh Edebali Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü (BAPK) tarafından Proje Numarası: 2019-01.BŞEÜ.03-06 ile desteklenmiştir. Çalışmanın yazarları BŞEÜ BAPK’ya desteklerinden ötürü teşekkür etmektedir. Bu çalışmanın bir kısmı ICONDATA 2019 konferansında sözlü olarak sunulmuştur.

Kaynakça

• [1] C. Anand, J. S.-M. R. Imaging, and undefined 2010, “Wavelet domain non-linear filtering for MRI denoising,” Elsevier.
• [2] J. Mohan, V. Krishnaveni, Y. G.-B. signal processing and control, and undefined 2014, “A survey on the magnetic resonance image denoising methods,” Elsevier.
• [3] V. S. Hari, R. V. P. P. Jagathy, and R. Gopikakumari, “Enhancement of calcifications in mammograms using Volterra series based quadratic filter,” in Proceedings - 2012 International Conference on Data Science and Engineering, ICDSE 2012, 2012, pp. 85–89.
• [4] S. Uzun and D. Akgun, “A Literature Review on Quadratic Image Filters,” in 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 2018, pp. 1–5.
• [5] R. J. P. deFigueiredo and S. Matz, “Exponential nonlinear Volterra filters for contrast sharpening in noisy images,” in 1996 IEEE International Conference on Acoustics, Speech, and Signal Processing Conference Proceedings, vol. 4, pp. 2263–2266, 1996.
• [6] T. Jinshan, E. Peli, and S. Acton, “Image enhancement using a contrast measure in the compressed domain,” Signal Process. Lett. IEEE, vol. 10, no. 10, pp. 289–292, 2003.
• [7] M. B. Meenavathi and K. Rajesh, “Volterra Filtering Techniques for Removal of Gaussian and Mixed Gaussian-Impulse Noise,” Int. J. Electr. Robot., vol. 1, no. 2, pp. 1–7, 2007.
• [8] G. Ramponi, “Edge extraction by a class of second-order nonlinear filters,” Electron. Lett., vol. 9, no. 22, pp. 482–484, 1986.
• [9] G. F. Ramponi, G. L. Sicuranza, and W. Ukovich, “A computational method for the design of 2-D nonlinear Volterra filters,” IEEE Trans. Circuits Syst., vol. 35, no. 9, pp. 1095–1102, 1988.
• [10] S. Uzun and D. Akgün, “An Accelerated Method for Determining the Weights of Quadratic Image Filters,” IEEE Access, vol. 6, 2018.
• [11] M. Kanamadi, V. Waghamode, and S. Bandekar, “Alpha Weighted Quadratic Filter Based Enhancement for Mammogram,” in Proceedings of International conference on “Emerging Research in Computing, Information, Communication and Applications” (ERCICA), pp. 68–74, 2013.
• [12] S. Uzun and D. Akgün, “Accelerated method for the optimization of quadratic image filter,” J. Electron. Imaging, vol. 28, no. 03, p. 1, Jun. 2019.
• [13] F. Ritter et al., “Medical Image Analysis: A Visual Approach,” in IEEE Pulse, vol. 2, no. 6, Cambridge: Cambridge University Press, 2009, pp. 60–70.
• [14] V. Göreke, E. Uzunhisarcıklı, A. G.-T. T. Ulusal, and undefined 2014, “Gri Seviyeli Eşoluşum Matrisleri Kullanılarak Sayısal Mamogram Görüntüsünden Doku Özniteliklerinin Çıkarılması ve Yapay Sinir Ağı ile Kitle Tespiti,” biyoklinikder.org.
• [15] S. Kannan, N. S.- Image, and undefined 2016, “Performance comparison of noise reduction in mammogram images,” pdfs.semanticscholar.org.
• [16] S. Kavitha and K. K. Thyagharajan, “A Survey on Quantitative Metrics for Assessing the Quality of Fused Medical Images,” Res. J. Appl. Sci. Eng. Technol. `, vol. 12, no. 3, pp. 282–293, Feb. 2016.
• [17] V. Bhateja, M. Misra, S. U.-F. G. C. Systems, and undefined 2018, “Unsharp masking approaches for HVS based enhancement of mammographic masses: A comparative evaluation,” Elsevier.