Yıl 2019, Cilt 2 , Sayı 2, Sayfalar 11 - 17 2019-12-30

Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti

Gökhan UÇAR [1] , Emre DANDIL [2] , Ali AYDOĞDUOĞLU [3]


Beyinde oluşan hastalıklarda hekimlerin uygun tedavi yöntemine karar verebilmesi için, patolojik olgunun tür, konum, büyüklük ve sınır özelliklerinin yüksek doğrulukla tespit edebilmesi gerekmektedir. Bu patolojilerin tespitinde ilk önce kullanılan tetkik yöntemi manyetik rezonans görüntüleme (MRG) tekniğidir. Pratikteki çalışmaların çoğunda doktorların görüntüyü inceleyerek karar verdiği, görüntüye bakarak karar veremediği durumlarda ise laboratuvar tetkikleri ile hastalık teşhisine karar verdiği görülmektedir. Bu çalışmada MR görüntüleri kullanılarak görüntü işleme yöntemleri ile beyaz cevher hiperintensitelerinin bilgisayar destekli tespitine yönelik bir sistem tasarlanmıştır. MR görüntüsü üzerindeki beyaz cevher hiperintensitesi oluşumları bulunarak resim üzerinde işaretlenmiş ve boyutları hesaplanmıştır. Son olarak regresyon analizi kullanılarak elle işaretlenmiş resim ile tasarlanan sistem tarafından işaretlenen alanların benzerlik oranı çıkartılmıştır ve karşılaştırılmıştır.  Özetle, önerilen sistemin, beyaz cevher hiperintensitelerinin tespitinde, ikinci bir araç olarak kullanılabileceği görülmüştür.

Beyaz Cevher Hiperintensitesi, MR Görüntüleri, Bilgisayar Destekli Teşhis, Regresyon Analizi
  • [1] Xueyi Shen, Lianne M. Reus, Simon R. Cox, Mark J. Adams, David C. Liewald, Mark E. Bastin, Daniel J. Smith, Ian J. Deary, Heather C. Whalley & Andrew M. McIntosh,”Subcortical volume and white matter integrity abnormalities in major depressive disorder: findings from UK Biobank imaging data”, Scientific Reports 7, Article number: 5547 (2017).[2] https://www.webmd.com/brain/white-matter-disease#1 (10.10.2019).[3] https://www.humanbrainfacts.org/human-brain-diseases-list.php (10.10.2019).[4] McCormick, W. F., & Rosenfield, D. B. (1973), “Massive brain hemorrhage: a review of 144 cases and an examination of their causes”, Stroke, 4(6), 946-954.[5] Lozano, R., Naghavi, M., Foreman, K., Lim, S., Shibuya, K., Aboyans, V., ... & AlMazroa, M. A. (2012), ”Global and regional mortality from 235 causes of death for 20 age groups in 1990 and 2010: a systematic analysis for the Global Burden of Disease Study 2010”, The lancet, 380(9859), 2095-2128. [6] https://www.medicalpark.com.tr/inme-felc-nedir-belirti-ve-tedavi-yontemleri-nelerdir/hg-1736 (10.10.2019).[7] Smallwood A, Oulhaj A, Joachim C, Christie S, Sloan C, Smith AD, Esiri M., “Cerebral subcortical small vessel disease and its relation to cognition in elderly subjects: a pathological study in the Oxford Project to Investigate Memory and Ageing (OPTIMA) cohort”, Neuropathol Appl Neurobiol. 2012;38:337–343.[8] Hachinski VC, Potter P, Merskey H., “Leuko-araiosis”, Arch Neurol. 1987;44:21–23.[9] Iorio, M., Spalletta, G., Chiapponi, C., Luccichenti, G., Cacciari, C., Orfei, M. D., ... & Piras, F. (2013), “White matter hyperintensities segmentation: a new semi-automated method”, Frontiers in aging neuroscience, 5, 76.[10] Shi, L., Wang, D., Liu, S., Pu, Y., Wang, Y., Chu, W. C., ... & Wang, Y. (2013), ”Automated quantification of white matter lesion in magnetic resonance imaging of patients with acute infarction” , Journal of neuroscience methods, 213(1), 138-146.[11] Anbeek, P.,Vincken,K. L., van Osch,M. J. P., Bisschops, R. H.C.,&van der Grond, J. (2004), “Probabilistic segmentation of white matter lesions in MR imaging”, NeuroImage, 21(3), 1037–44. Doi:10.1016/j.neuroimage.2003.10.012.[12] Herskovits, E. H., Bryan, R. N., & Yang, F. (2008), “Automated Bayesian segmentation of microvascular white-matter lesions in the ACCORD-MIND study”, Advances in Medical Sciences, 53(2), 182–90. doi:10.2478/v10039-008-0039-3.[13] Dyrby, T. B., Rostrup, E., Baaré, W. F. C., van Straaten, E. C. W., Barkhof, F., Vrenken, H., Waldemar, G. (2008), “Segmentation of age-related white matter changes in a clinical multi-center study”, N e u r o I m a g e , 4 1 ( 2 ) , 3 3 5 – 4 5 . d o i : 1 0 . 1 0 1 6 /j.neuroimage.2008.02.024.[14] Ghafoorian, M., Karssemeijer, N., van Uden, I. W., de Leeuw, F. E., Heskes, T., Marchiori, E., & Platel, B. (2016),” Automated detection of white matter hyperintensities of all sizes in cerebral small vessel disease”, Medical physics, 43(12), 6246-6258.[15] Sudharani, K., Sarma, T.C., Prasad, K.S., “Advanced morphological technique for automatic brain tumor detection and evaluation of statistical parameters”, Procedia Technology, 24, 1374–1387, 2016 .[16] Yıldız, G., & Yıldız, D. (2018),”Morfolojik işlemler ve kenar algılama yöntemler vasıtasıyla beyin tümör yeri tespiti ve tümör alan hesabının yapılması” , International Journal of Multidisciplinary Studies and Innovative Technologies, 2(2), 39-42.[17] Khalid, N. E. A., Ibrahim, S., & Haniff, P. N. M. M. (2011),” MRI brain abnormalities segmentation using k-Nearest Neighbors(k-NN),” International Journal on Computer Science and Engineering, 3(2), 980-990.[18] Lao, Z., Shen, D., Liu, D., Jawad, A. F., Melhem, E. R., Launer, L. J.,Davatzikos, C. (2008),” Computer-assisted segmentation of white matter lesions in 3D MR images using support vector machine”, Academic Radiology, 15 (3), 300–13. doi:10.1016/ j.acra.2007.10.012.[19] Gibson, E., Gao, F., Black, S. E., & Lobaugh, N. J. (2010),” Automatic segmentation of white matter hyperintensities in the elderly using FLAIR images at 3T ”, Journal of Magnetic Resonance Imaging, 31(6), 1311-1322.[20] Guerrero, R., Qin, C., Oktay, O., Bowles, C., Chen, L., Joules, R., ... & Rueckert, D. (2018),” White matter hyperintensity and stroke lesion segmentation and differentiation using convolutional neural networks”, NeuroImage: Clinical, 17, 918-934.Leite, M., Rittner, L., Appenzeller, S., Ruocco, H. H., & Lotufo, R. A. (2015),” Etiology-based classification of brain white matter hyperintensity on magnetic resonance imaging. Journal of Medical Imaging, 2(1), 014002.[21] Qin, C., Guerrero, R., Bowles, C., Chen, L., Dickie, D. A., Valdes-Hernandez, M. D. C., ... & Rueckert, D. (2018),” A large margin algorithm for automated segmentation of white matter hyperintensity”, Pattern Recognition, 77, 150-159.[22] Myronenko, A. (2018, September), ”3D MRI brain tumor segmentation using autoencoder regularization”, In International MICCAI Brainlesion Workshop (pp. 311-320). Springer, Cham.[23] Arı, Ali, and Davut Hanbay, "Tumor detection in MR images of regional convolutional neural networks", Journal of the Faculty of Engineering and Architecture of Gazi University 34, no. 3 (2019): 1395-1408.[24] Wang, X., Ma, H., & Chen, X. (2016, September),” Salient object detection via fast R-CNN and low-level cues”, IEEE International Conference on Image Processing (ICIP) (pp. 1042-1046). IEEE.[25] Zhang, X., An, G., & Liu, Y. (2018, August),” Mask R-CNN with feature pyramid attention for instance segmentation”, 14th IEEE International Conference on Signal Processing (ICSP)(pp. 1194-1197). IEEE.[26] Liu, M., Dong, J., Dong, X., Yu, H., & Qi, L. (2018, September),” Segmentation of lung nodule in CT images based on mask R-CNN”, 9th International Conference on Awareness Science and Technology (iCAST) (pp. 1-6). IEEE.
Birincil Dil tr
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Orcid: 0000-0003-1840-8613
Yazar: Gökhan UÇAR (Sorumlu Yazar)
Kurum: BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ
Ülke: Turkey


Yazar: Emre DANDIL
Kurum: BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ
Ülke: Turkey


Yazar: Ali AYDOĞDUOĞLU
Kurum: BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ
Ülke: Turkey


Teşekkür Bu çalışmanın bir bölümü ICONDATA 2019 konferansında sözlü olarak sunulmuştur.
Tarihler

Yayımlanma Tarihi : 30 Aralık 2019

Bibtex @konferans bildirisi { veri644114, journal = {Veri Bilimi}, issn = {}, eissn = {2667-582X}, address = {}, publisher = {Murat GÖK}, year = {2019}, volume = {2}, pages = {11 - 17}, doi = {}, title = {Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti}, key = {cite}, author = {UÇAR, Gökhan and DANDIL, Emre and AYDOĞDUOĞLU, Ali} }
APA UÇAR, G , DANDIL, E , AYDOĞDUOĞLU, A . (2019). Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti. Veri Bilimi , 2 (2) , 11-17 . Retrieved from https://dergipark.org.tr/tr/pub/veri/issue/51241/644114
MLA UÇAR, G , DANDIL, E , AYDOĞDUOĞLU, A . "Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti". Veri Bilimi 2 (2019 ): 11-17 <https://dergipark.org.tr/tr/pub/veri/issue/51241/644114>
Chicago UÇAR, G , DANDIL, E , AYDOĞDUOĞLU, A . "Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti". Veri Bilimi 2 (2019 ): 11-17
RIS TY - JOUR T1 - Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti AU - Gökhan UÇAR , Emre DANDIL , Ali AYDOĞDUOĞLU Y1 - 2019 PY - 2019 N1 - DO - T2 - Veri Bilimi JF - Journal JO - JOR SP - 11 EP - 17 VL - 2 IS - 2 SN - -2667-582X M3 - UR - Y2 - 2019 ER -
EndNote %0 Veri Bilimi Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti %A Gökhan UÇAR , Emre DANDIL , Ali AYDOĞDUOĞLU %T Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti %D 2019 %J Veri Bilimi %P -2667-582X %V 2 %N 2 %R %U
ISNAD UÇAR, Gökhan , DANDIL, Emre , AYDOĞDUOĞLU, Ali . "Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti". Veri Bilimi 2 / 2 (Aralık 2020): 11-17 .
AMA UÇAR G , DANDIL E , AYDOĞDUOĞLU A . Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti. Veri Bilimi. 2019; 2(2): 11-17.
Vancouver UÇAR G , DANDIL E , AYDOĞDUOĞLU A . Beyaz Cevher Hiperintensitelerinin Beyin MR Görüntüleri Üzerinde Bilgisayar Destekli Otomatik Tespiti. Veri Bilimi. 2019; 2(2): 17-11.