Tıbbi görüntülemede bilgisayar destekli tespit

ÖZETTIBBİ GÖRÜNTÜLEMEDE BİLGİSAYAR DESTEKLİ TESPİTBilgisayar Destekli Tespit (BDT) yazılımları, ileri örüntü tanıma ve görüntü işleme yöntemlerini kullanarak radyoloji uzmanlarına medikal görüntülerdeki anormalliklerin tespitinde yardımcı olan yazılımlardır. BDT yazılımları anormalliklerin erken tespitinde radyoloji uzmanına ikinci bir gözden geçirme imkanı tanır. Bu tez, mamografi görüntülerindeki kitlelerin ve akciğer BT görüntülerindeki nodüllerin tespit edilmesini amaçlayan verimli teknikler ortaya konmuştur. Tez çalışmasının ana başlıkları şu şekildedir: (1) Bölütlendirme; (2) ilgi alanlarının belirlenmesi; (3) anormalliklerin tespit edilmesi amacıyla ilgi alanlarının sınıflandırılması.Meme ve akciğer bölgesini bölütlendirmek amacıyla literatürdeki bölütleme yöntemlerine alternatif bir yöntem olarak genetik algoritma ile eğitilmiş hücresel yapay sinir ağları kullanılmıştır. Ayrıca akciğer bölgesini bölütlendirmek amacıyla ikinci bir yöntem olarak kural tabanlı bölütleme gerçekleştirilmiştir. İlgi alanlarının belirlenmesi amacıyla yoğunluk tabanlı bir yöntem kullanılmıştır. Bu yöntem, bölütlendirilmiş alanı yoğunluk eşik değerleriyle 8 yönlü tarayarak ilgi alanlarını belirlemiştir. Seri akciğer BT görüntülerindeki ilgi alanlarının sayısının azaltılması amacıyla bir ön-sınıflandırma gerçekleştirilmiştir. Bu yöntem ile mevcut kesitteki ilgi alanlarının üst ve alt kesitlerdeki konum değişimleri incelenmiştir. Konum değişim miktarının beklenenden fazla olması durumunda gözlem altındaki ilgi alanı normal bir yapı olarak değerlendirilmiştir. İlgi alanlarının sınıflandırılması amacıyla üç yöntem kullanılmıştır. İlkinde kural tabanlı algoritma ile ilgi alanlarının morfolojik özellikleri incelenirken, ikinci yöntemde benzerlik ölçümü olarak hata tabanlı iki adet kuralın kullanıldığı bir şablon eşleme tekniği kullanılmıştır. Üçüncü yöntem olarak şablonun genetik algoritma ile eğitildiği başka bir şablon eşleme yöntemi kullanılmıştır. Bu yöntemde eğitilmiş şablon ile her bir ilgi alanı arasındaki benzerlik konvolüsyon kullanılarak ölçülmüştür. Böylece anormallikler başarılı bir şekilde tespit edilmiştir. Sonuçlar kullanılan yöntemlerin anormallik tespit performanslarının tatmin edici olduğunu, akciğer nodüllerinin ve mamogram kitlelerinin bilgisayar destekli tespitinde de verimliliği arttırabileceğini göstermiştir. ABSTRACTCOMPUTER AIDED DETECTION IN MEDICAL IMAGINGComputer Aided Detection (CAD) is a system that incorporates advanced pattern recognition and image analysis capabilities to aid radiologists in the detection of abnormalities on medical images. CAD systems provide a targeted second review for busy radiologists in order to improve the early detection of abnormality. This dissertation provides efficient techniques on detecting masses in mammograms and detecting nodules in lung CT slices. The main topics of the study are as follows: (1) Segmentation; (2) extraction of the regions of interest (ROIs); (3) classification of ROIs in order to detect abnormalities. To segment the breast and lung region, genetic algorithm trained cellular neural networks was used as an alternative to the known segmentation algorithms in literature. Also a rule based algorithm was used as a second method to extract the lung region. A density threshold based algorithm was used to extract the ROIs. This algorithm searched the segmented region with density thresholds in 8 directions. A pre-classification was performed to reduce the numbers of ROIs in serial CT lung images. This algorithm examined the location changes of ROIs in current slice with upper and lower slices. If the location change value was greater than expected than the ROI under observation was pre-classified as normal. To classify the ROIs three algorithms were developed. While the first one analyzed the morphological features of the ROIs using a rule based subsystem, the second one used a template matching algorithm with two error based rules as the similarity measure. As the third algorithm another template matching algorithm was used where the template was trained using genetic algorithm. In this algorithm the similarity between the trained template and each ROI was measured by the convolution operation. Finally the abnormalities were detected successfully.The results indicate that the detection performance of the developed algorithms were satisfactory, and may improve the efficiency of computer-aided detection of lung nodules and mammogram masses