Geri Dön

Content based medical image retrieval

İçerik tabanlı tıbbi görüntü bulgetir

  1. Tez No: 486863
  2. Yazar: NEDA BARZEGARMARVASTI
  3. Danışmanlar: DOÇ. DR. BURAK ACAR
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 126

Özet

Farklı tıbbi görüntüleme ve veri toplama teknikleriyle ilgili teknolojik gelişmeler radyologların daha doğru yorum ve teşhis beklentilerini arttırmaktadır. Bununla birlikte, ortaya çıkan büyük tıbbi verilerin dikkatli bir şekilde analiz edilmesi için güvenilir ve hızlı sistemler gereklidir. İçerik tabanlı tıbbi görüntü bulgetir (CBMIR) benzer bir görüntüyü büyük bir arşivde bularak radyologlara yardımcı olan değerli bir tekniktir. Bununla birlikte, düşük düzeyli imge özellikleri ve üst düzey semantik özellikler arasındaki büyük anlamsal boşluk nedeniyle, kullanıcıların anlayışlarına ve yorumlarına daha yakın olan, üst düzey kullanıcı tarafından belirlenen semantik etiketler kullanarak benzer görüntülerin bulgetir sistemi gerçekleştirilmesi araştırmacılar tarafından büyük bır ilgi görmüştür. Bu tezde, lezyon ve karaciğer ile ilgili semantik özellikler ve hastaların meta-verileri kombinasyonunu kullanarak 3-boyutlu karaciğer CT görüntülerinin bir veritabanından benzer görüntüleri tanımlamak için tekrarlayan bir arama ve bulgetir sistemi önerilmiştir. Her bulgetir iterasyonunda, lezyonla ilgili özellikler önerilen bir bilgisayar destekli tıbbi görüntü anotasyon (CMIA) şemasıyla spesifik bir sırayla anotasyon edilmektedirler. Önerilen döngü-deki-radyolog yarı otomatik CMIA, RadLex ile bağlantılı Bayes ağaç yapılı modeline dayanıyor ve kavramlar arasındaki karşılıklı bağımlılıkları kullanarak radyologun en kritik bilgiyi girmesine rehberlik etmektedir. Sonuçlar önerilen anotasyon modelin daha etkili ve verimli olduğunu göstermektedir. Bu üstünlük bulgetir performans açısından da görülmektedir. Bir kaç manuel anotasyon bulgetir doğruluk oranını belirgin bir şekilde artırabilir. Ayrıca metadata'nın küçük bir katkısı ile daha iyi arama ve bulgetir performansı elde edilir.

Özet (Çeviri)

Fast technological developments of different medical imaging and data collection techniques increase the expectation of more accurate interpretations and diagnoses of radiologists. However, to carefully analyze the resulting big medical data, reliable and fast systems are needed. Content-based medical image retrieval (CBMIR) is a valuable technique to assist radiologists by identifying similar images in a large archive. However, due to the huge semantic gap between low-level image features and high-level semantic features, the challenge of retrieving similar images utilizing the high-level user specified semantic labels, which are closer to the users understandings and interpretations, has attracted great interest from various researches. In this dissertation, an iterative search and retrieval scheme to identify similar images from a database of 3-dimensional liver computed tomography (CT) images is proposed via utilizing the combination of lesion and liver related semantic features and patients' metadata. At each retrieval iteration, the lesion related concepts are annotated in a specific order through a proposed computer aided medical image annotation (CMIA) scheme. The proposed radiologist-in-the-loop semi-automatic CMIA is based on a Bayesian tree structured model, linked to RadLex, to exploit the inter-dependencies between concepts to update the full annotation process and to guide the radiologist to input the most critical information at each iteration. Results show the effectiveness of this model-based interactive annotation scheme compared to the domain-blind models, as well as its advantage in the performance of the retrieval system, where a few number of manual annotations can significantly boost the retrieval accuracy. Moreover, better retrieval performance is achieved by incorporating a small contribution of the non-lesion data.

Benzer Tezler

  1. Ontology-based medical image annotation and retrieval

    Ontoloji tabanlı tıbbi görüntü betimleme ve erişimi

    HAKAN BULU

    Doktora

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ADİL ALPKOÇAK

  2. Fusion and combination methods for multimodal content based medical image retrieval

    İçerik tabanlı tıbbi görüntü erişme sistemlerinde modalitelerin birleşim yöntemleri

    ALİ HOSSEİNZADEH VAHİD

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgi ve Belge YönetimiDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ADİL ALPKOCAK

  3. Tissue density classification in mammographic images using local features

    Yerel öznitelikler ile mamografi görüntülerinde doku yoğunluğunun sınıflandırılması

    SEZER KUTLUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  4. Image area reduction for efficient medical image retrieval

    Başlık çevirisi yok

    ZEHRA ÇAMLICA

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    University of Waterloo
  5. Tıbbi görüntü veri setlerinde matlab ile büyük veri teknikleri uygulaması

    Application of big data techniques for medical images datasets with matlab

    EISSA FAISAL ALI AL-ZABIDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ URAZ YAVANOĞLU