Geri Dön

Medikal görüntülerin çoklu çözünürlük metotları ile analizi

Analysis of medical images with multi-resolution methods

PDF İndir

  1. Tez No: 380897
  2. Yazar: HÜSEYİN YAŞAR
  3. Danışmanlar: YRD. DOÇ. MURAT CEYLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2015
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 118

Özet

Görüntü işleme, bir görüntüden yeni bir görüntünün veya görüntü içeriğinde bulunan verilerin elde edilmesi işlemlerini gerçekleştiren tüm analiz uygulamalarını kapsayan bir mühendislik alanıdır. Görüntü işlemenin en temel argümanı Fourier dönüşümüdür. Fourier dönüşümü (FD) bir boyutlu veya iki boyutlu verilerin frekans bilgisinin elde edilmesini sağlar. Zaman içinde frekans bilgisi değişmeyen sinyaller için tersine işlem uygulandığında sorunsuz olarak sinyal yeniden elde edilirken, zaman içinde frekans bilgisi değişen sinyaller için hangi frekansın hangi zaman diliminde etkin olduğu bilinemediği için tersine işlem sırasında sorun yaşanmaktadır. FD' nin zaman-frekans düzleminde ki bu yetersizliğinden dolayı çoklu çözünürlük analizlerinin temelini oluşturan dalgacık dönüşümü (DD) ortaya atılmıştır. DD, kaydırma ve ağırlıklandırma işlemleri ile sinyalin özelliklerini çıkarmaktadır. DD katsayılarının her olası kaydırma ve ağırlıklandırma değeri için hesaplanması çok fazla ve kullanılmayan veri üretilmesine neden olur. Kaydırma ve ağırlıklandırma değerlerinin ikinin katlarını temel alacak şekilde seçilmesiyle ayrık dalgacık dönüşümü (ADD) tanımlanmıştır. İki boyutlu ayrık dalgacık dönüşümünün (2BADD) tanımlanmasıyla görüntülerin analizinde de kullanılmaya başlanmıştır. DD' nin görüntü işleme uygulamalarında üstün özellikleri olmakla birlikte eksik yönleri de vardır. DD' nin en önemli eksikliği sınırlı yönelim sorunudur. Ridgelet dönüşümü (RidD) daha fazla yönde analiz yaparak bu eksikliği ortadan kaldırmıştır. RidD' nin kartezyen koordinat sisteminde ifade edilmesiyle ayrık ridgelet dönüşümü (ARidD) tanımlanmıştır. Yönsel filtre bankalarını temel alan contourlet dönüşümü (CoD) ise filtre bankaları sayesinde DD' ye göre daha fazla yön kullanarak görüntü özelliklerini daha az katsayı ile ifade etmiştir. Curvelet dönüşümü (CuD), temeli RidD' ye dayanan etkili bir çoklu çözünürlük analizidir. CuD, pencereleme ile görüntünün daha ayrıntılı analiz edilmesine imkan sağlamıştır. Birinci nesil curvelet dönüşümü (1NCuD) olarak isimlendirilen bu versiyon, çok fazla kullanılmayan veri ürettiği için daha az parametre ile tanımlanan ikinci nesil curvelet dönüşümü (2NCuD) ortaya atılmıştır. Temeli 2NCuD' ye dayanan hızlı ayrık curvelet dönüşümü (HACuD) ise dönüşümün kompleks katsayılarının elde edilebilmesine imkan sağlamıştır. Yakın zamanda CuD, yeni parametreler kullanılarak genelleştirilmiş ve ripplet-1 dönüşümü (Rip-1D) tanımlanmıştır. Bu tez çalışması ile, HACuD ile benzer prosedürler takip edilerek hızlı ayrık ripplet-1 dönüşümü (HARip-1D) tanımlanmış ve kompleks değerli hızlı ayrık ripplet-1 dönüşümü (KDHARip-1D) özellik katsayıları oluşturulmuştur. Medikal görüntü işleme önemli bir teşhis aracıdır. Medikal görüntüler, görüntüleme sırasında çözünürlüğü olumsuz etkileyen gürültülerden etkilenebilirler. Teşhis başarısının olumsuz etkilenmemesi için bu gürültülerin temizlenmesi gerekir. Tez çalışmasının ilk uygulamasında, retina ve mamografi görüntülerinde gürültü temizleme çalışması gerçekleştirilmiştir. Gürültü temizleme işlemi, bu tez çalışması ile tanımlanan KDHARip-1D ile reel değerli hızlı ayrık ripplet-1 dönüşümü (RDHARip-1D) özellik katsayıları kullanılarak yapılmıştır. Tepe sinyal gürültü oranı (TSGO), ortalama yapısal benzerlik indeksi (OYBİ) ve özellik benzerlik indeksi (ÖBİ) kullanılarak sonuçların karşılaştırıldığı uygulamada, KDHARip-1D' nin aynı gürültü temizleme algoritması ile kullanıldığında RDHARip-1D' ye göre daha iyi sonuçlar ürettiği görülmüştür. Uygulama sonucunda DRIVE (Digital Retinal Images for Vessel Extraction) veri tabanına ait 40 adet retina görüntüsü ile yapılan gürültü temizleme uygulamasında üç farklı sigma değeri için RDHARip-1D ile sırasıyla 33.042, 34.387, 36.322 dB TSGO elde edilirken, KDHARip-1D ile sırasıyla 33.300, 34.579, 36.443 dB TSGO elde edilmiştir. MIAS (Mammography Image Analysis Society) veri tabanına ait 322 adet mamografi görüntüsü ile yapılan gürültü temizleme uygulamasında ise üç farklı sigma değeri için RDHARip-1D ile sırasıyla 35.588, 36.714, 38.373 dB TSGO elde edilirken KDHARip-1D ile sırasıyla 35.820, 36.892, 38.488 dB TSGO elde edilmiştir. Uygulama ile elde edilen OYBİ ve ÖBİ değerleri de TSGO sonuçlarını destekler niteliktedir. Ayrıca bu uygulama ile eşikleme sabiti ve ölçek parametrelerindeki değişimin medikal gürültü temizleme sonuçları üzerindeki etkileri ilk kez incelenmiştir. Göğüs kanseri kadınlarda yaygın görülen kanser türlerinden biridir. Bu durum göğüste meydana gelen anormalliklerin tespit ve sınıflandırılmasını önemli bir bilimsel çalışma alanı haline getirmiştir. Göğüs arka plan doku yoğunluğu, göğüs üzerinde meydana gelen anormallikleri gizleyerek teşhis ve sınıflandırmayı zorlaştırır. Tez çalışmasının ikinci uygulamasında, mamografi görüntülerinde normal-anormal doku sınıflandırılması için iki aşamalı bir sistem oluşturulmuştur. Arka plan sınıflandırma olarak isimlendirilebilecek ilk aşamada ADD, ARidD ve CoD' den elde edilen reel değerli özellik katsayıları ve yapay sinir ağı (YSA) kullanılarak teşhis yapılacak görüntüye ait göğüs arka plan doku yoğunluk tipi sınıflandırılmaktadır. Temel sınıflandırma olarak isimlendirilebilecek ikinci aşamada ise yine bu dönüşümlere ait reel değerli özellik katsayıları ve arka plan sınıflandırma sonucuna göre teşhis yapılacak görüntü ile aynı tip göğüs arka plan doku yoğunluğuna sahip görüntüler ile eğitilen YSA kullanılarak normal-anormal doku sınıflandırılması gerçekleştirilmiştir. MIAS veri tabanına ait 265 mamografi görüntüsü ile gerçekleştirilen uygulamada, arka plan sınıflandırma yapılmadan elde edilen en yüksek temel sınıflandırma başarısı % 86.04, en yüksek özgüllük 0.9686, en yüksek duyarlılık 0.5946, alıcı işlem karakteristiği (AİK) altında kalan en yüksek alan (Az) 0.862' dir. Arka plan sınıflandırılma yapılmasıyla elde edilen temel sınıflandırma sonuçları hissedilir derecede iyileşmiştir. Önerilen yöntemle yapılan sınıflandırma uygulaması sonucunda en yüksek doğruluk % 95.47 ile arka plan sınıflandırma için ADD ve YSA, temel sınıflandırma için ADD ve YSA kullanılarak elde edilmiştir. En yüksek özgüllük 1 ile arka plan sınıflandırma için CoD ve YSA, temel sınıflandırma için ADD ve YSA kullanılarak edilirken, en yüksek duyarlılık 0.8514 ile arka plan sınıflandırma için ADD ve YSA, temel sınıflandırma için ADD ve YSA kullanılarak elde edilmiştir. Uygulama sonucunda en yüksek Az değeri 0.960 ile arka plan sınıflandırma için ADD ve YSA, temel sınıflandırma için ARidD ve YSA kullanılarak sağlanmıştır. Önerilen normal-anormal sınıflandırma sistemi, arka plan bilgilerinin radyolog veya uzman hekim tarafından sınıflandırılmasıyla, yarı otomatik olarak da gerçekleştirilebilir. Arka plan sınıflandırılmasının radyolog veya uzman tarafından yapılması yani sistemin yarı-otomatik versiyonunun kullanılması durumunda, en yüksek sınıflandırma doğruluğu ADD ve YSA kullanılarak % 97.74; en yüksek özgüllük ADD, ARidD ve YSA kullanılarak 0.9948; en yüksek duyarlılık ADD ve YSA kullanılarak 0.9324; en yüksek Az ARidD ve YSA kullanılarak 0.974 olarak elde edilmiştir.

Özet (Çeviri)

Image processing is an engineering field in which all applications of analysis, which realize the procedures of obtaining datas related to any contents of images or a new image being obtained from any image, take place. The most fundamental argument in image processing is Fourier transform. Fourier transform (FT) provides one with the frequency information of one or two-dimensional datas. When reverse processing is applied for the signals with unchanged frequency data in time, signal can be re-obtained without any problems; however, for the signals with changing frequency data in time, since the effective frequency in any time period is unknown, problems occur during reverse processing. Due to this deficiency in time-frequency plane of FT, wavelet transform (WT), which lays the basis of multi-resolution analysis, were introduced. WT extracts features of a signal using shifting and scaling. Calculating coefficients of the WT for all possible shifting and weighting values cause many unnecessary and useless datas to be produced. By choosing shifting and scaling values so as to take even frequencies basis, was defined discrete wavelet transform (DWT). The two dimensional discrete wavelet transform (2DDWT) has started to be implemented in analysis of images. WT has superiorities as well as deficiencies on image processing applications. The major deficiency of WT is limited orientation. Ridgelet transform (RidT) has removed this deficiency analysing in more various directions. With the RidT being represented in the Cartesian coordinates, discrete ridgelet transform (DRidT) has been defined. Contourlet transform (CoT) which takes directional filter banks as basis, defines image features less numbers of coefficients using more numbers of directions than WT. Curvelet transform (CuT) is a multi-resolution analysis of which foundation lies on the RidT. CuT helps images to be analyzed in more details using windowing. This version, called first generation curvelet transform (1GCuT) because of its producing many more unused datas caused a second generation curvelet transform (2GCuT) to be proposed, which is defined with less numbers of parameters. Fast discrete curvelet transform (FDCuT) which has its foundation on 2GCuT has allowed the complex coefficients of the transform to be obtained. Recently, the CuT has been generalized and the ripplet-1 transform (Rip-1T) has been defined. With this paper, following similar to the FDCuT procedures, fast discrete ripplet-1 transform (FDRip-1T) was defined and the features coefficients of the complex valued fast discrete ripplet-1 transform (CVFDRip-1T) was constituted. Medical image processing is an important instrumentation of diagnosis. Medical images might be affected by the noises affecting the resolution during imaging. To keep diagnosis clear of such negative factors, it is a must to clear those noises away from images. In the first application of the paper, a work was done in which the noises were denoised. Denoising was achieved using the features coefficients of defined with this paper CVFDRip-1T and real valued fast discrete ripplet-1 transform (RVFDRip-1T). In the application in which, peak signal-to-noise ratio (PSNR), medium structural similarity index (MSSI) and features similarity index (FSIM) were used and the results were compared, it was concluded that when used with the same algorithm of denoising, CVFDRip-1T produced better results compared to RVFDRip-1T. In the denoising application using 40 different retinal images belonging to DRIVE (Digital Retinal Images for Vessel Extraction) database, with RVFDRip-1T, for three different sigma values, there were obtained PSNR values respectively, 33.042, 34.387, 36.322 dB; with CVFDRip-1T, for three different sigma values, there were obtained PSNR values respectively, 33.300, 34.579, 36.443 dB. In the denoising application with 322 mammography images belonging to MIAS (Mammography Image Analysis Society) database , with RVFDRip-1T, for three different sigma values, there were obtained PSNR values respectively, 33.588, 36.714, 368.373 dB; with CVFDRip-1T, for three different sigma values, there were obtained PSNR values respectively, 35.820, 36.892, 38.488 dB. MSSI and FSIM values were found out to be supporting the PSNR values calculated. Besides with this paper, the effects of the change in the thresholding constant and scale parameters on the medical noise elimination were studied for the first time. Breast cancer is one of the most widespread type of cancer among women. This situation made important study field diagnosing and classification of the anomalies in breast. Breast background tissue density causes diagnosis and classification to be more difficult, hiding any anomaly on breast. In the second application of the paper, there have been made up a two-stage system to classify mammography images as normal and abnormal. In the first classification, which could be named as background classification, the density type of the background is classified, using real valued features coefficients obtained from DWT, DRidT, CoT and artificial neural network (ANN). In the second classification though, which could be named as fundamental classification, a normal-abnormal tissue classification was done using a ANN trained by the images which have the same density of breast background tissue as the image to be diagnosed in accordance with the results obtained from the background classification and real valued features coefficients related to these types of transforms. In the applications which made use of 265 mammography images belonging to MIAS database, the highest fundamental classification achievement is % 86.04, the highest specificity 0.9686, the highest sensitivity 0.5946 and the highest area under the receiver operating characteristic (Az) is 0.862 without making background classification. Through the background classification results obtained from the fundamental classification improved fairly. As a result of the application of the classification that was made using the proposed method, it was found out that the highest accuracy % 95.47 was obtained through DWT and ANN for the background classification, through DWT and ANN for the fundamental classification. The highest specificity 1 was obtained through CoT and ANN for the background classification, through DWT and ANN for the fundamental classification while the highest sensitivity 0.8514 was obtained through DWT and ANN for the background classification, through DWT and ANN for the fundamental classification. The application has led to the conclusion that the highest Az 0.960 was obtained through DWT and ANN for the background classification, through DRidT and ANN for the fundamental classification. The system of classification, offered in this paper as normal and abnormal could be realized by a radiologist or physician, classifying the datas related to the background semi-automatically. By this choice of using semi-automatic classification version, the highest accuracy of classification % 97.74 was obtained through DWT and ANN, the highest specificity 0.9948 was obtained through DWT, DRidT and ANN , the highest sensitivity 0.9324 was obtained through DWT and ANN, the highest Az 0.974 was obtained through the DRidT and ANN.

Benzer Tezler

  1. Tez No

    637233

    Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks

    Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi

    FURKAN ÖZÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  2. Tez No

    380905

    Ripplet, Tetrolet ve Ridgelet dönüşümleri kullanılarak karaciğer fokal lezyonlarının belirlenmesi

    Detecting the liver focal lesions by using Ripplet, Tetrolet and Ridgelet transforms

    AYŞE ELİF ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MURAT CEYLAN

  3. Tez No

    783439

    Pansharpening using generative adversarial networks with dual discriminators

    Çift ayrıştırıcılı çekişmeli üretken ağlar kullanarak pankeskinleştirme

    NAHİDE NESLİ CESUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  4. Tez No

    513950

    Computer modeling of a prototype X-ray imaging system for better detection efficiency

    Prototip bir X-ray görüntüleme sisteminin daha iyi bir dedeksiyon verimi için modellenmesi

    ESRA BARLAS YÜCEL

    Doktora

    İngilizce

    İngilizce

    2018

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENAP ŞAHABETTİN ÖZBEN

  5. Tez No

    569186

    Yenidoğan yoğun bakım üniteleri için termal görüntü analizi

    Thermal image analysis for neonatal intensive care units

    DUYGU SAVAŞCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

Geri Dön