5. BULGULAR ve TARTIŞMA
5.4 Bulguların Değerlendirilmesi ve Tartışma
Bu kısımda, sentetik Gauss biçimli ve Bir biçimli gürültülerin eklendiği (% 30 düşük seviye, % 50 orta seviye, % 100 yüksek seviye ) teorik PA sinyaller ile PAM sisteminden alınan sinyallerin filtrelenmesi çalışma bulguları özetlenmiş, farklı dalgacıklar ve eşik seçimler için elde edilen sonuçlar tartışılmıştır.
Gauss biçimli düşük ve orta seviye gürültüde en etkili yöntem sym7 heursure sert eşikleme olarak elde edilmiştir. Yüksek gürültü seviyesinde en iyi sonucu bior3.7 dalgacığı sqwotlog yumuşak eşikleme veriyorken, alçak ve bant geçirgen filtrelerin performansı düşmüştür. Bu gürültü türü için sym7 dalgacığı genel hatlarıyla, birbirine yakın sonuçlar veren bior3.5 ve bior3.7 dalgacıklarından daha iyi performans
65
sergilemiştir. Yumuşak ve sert eşikleme arasındaki hata farkları bior3.5 ve bior3.7 dalgacıkları için gürültü seviyesi yükseldikçe artıyorken, sym7 dalgacığında bu fark minimal düzeyde gözlenmiştir.
Bir biçimli gürültü eklenmiş sinyaller için hesaplanan RMSE değerleri incelendiğinde ise, düşük gürültü seviyesinde en iyi yöntem sym7 rigrsure yumuşak eşikleme olarak göze çarpıyorken, sym7 dalgacığı kullanıldığında her iki eşikleme türü ve tüm eşik seçim algoritmaları yakın sonuçlar vermiştir. Orta ve yüksek gürültü seviyelerinde sym7 dalgacığı iyileştirme performansı açısından baskınlığını sürdürken, diğer iki dalgacıktan bior3.5 dalgacığı yüksek gürültü seviyesinde bior3.7’nin performans olarak gerisinde kalmıştır.
Gürültülü sinyallerin ayrık dalgacık dönüşümü ile filtrelenmesinde eşik değer seçimi ve eşikleme önemli rol oynamaktadır. Eşik değerler belirlenirken algoritmalar dalgacık katsayılarını kullanarak hesap yapmaktadır. Rigrsure algoritması eşik değer belirlerken, dalgacık katsayılarının yanısıra gürültülü sinyalin standart sapmasını da hesaba dahil etmektedir. Bu yüzden standart sapmanın görece daha yüksek olduğu Gauss biçimli gürültü türünde bu algoritmanın performansı düşmüştür. Sqwotlog ve rigrsure algoritmalarının birleşimi olan heursure algoritması ise yer yer sqwotlog ve rigrsure algoritmaları ile aynı sonuçları vermiştir. Farklı gürültü seviyelerinde yumuşak ve sert eşiklemeler arasındaki hata farkları, belirlenen eşik değere, elde edilen dalgacık katsayılarına (detay katsayıları) dolaylı olarakta dalgacıkların filtre karakteristiklerine bağlıdır.
Sentetik gürültü eklenmiş sinyaller için yapılan çalışma bulguları genel hatlarıyla incelendiğinde, sym7 dalgacığı diğer iki dalgacığa göre daha üstün performans sergilemiştir. Çalışmada yer verilen bior3.5 ve bior 3.7 dalgacıkları düşük ve orta gürültü seviyelerinde genel olarak yakın sonuçlar veriyorken, bior3.7’ nin yüksek gürültü seviyelerindeki performansı bu dalgacığı bir adım öne çıkarmıştır. Elde edilen bu bulgulara dayanarak PAM sinyallerinin ayrık dalgacık dönüşümü tabanlı filtrelenmesinde sym7 ve bior3.7 dalgacıkları kullanılmıştır.
66
Çalışmasının ikinci grubunda gerçek PA sinyal verilerinin filtrelenmesi gerçekleştirilmiştir. Filtrelenmiş PA sinyallerden oluşturulan test cismi görüntüleri üzerinde hesaplanan SNR ve CNR değerleri incelendiğinde, G1, G2, G5 ve G7görüntüleri için SNR ve CNR iyileştirmesinde en iyi sonucu sym7 sqwotlog yumuşak eşiklemenin, G3, G4 ve G6 görüntüleri için sym7 minimaxi yumuşak eşiklemenin verdiği görülmüştür. G8 ve G9 görüntüleri için SNR ve CNR değerleri incelendiğinde ise en iyi yöntemler sırasıyla bant geçirgen ve alçak geçirgen filtreler olarak gözlenirken, bu iki görüntüden G8 görüntüsünde SNR iyileştirmesinde alçak geçirgen filtre en yüksek değere yakın sonuçlar vermiştir. G8 için CNR iyileşmesi elde edilememiştir. G10 görüntüsü için değerler incelendiğinde en iyi yöntemi sym7 sqwtlog yumuşak eşikleme olarak bulunurken, G11 görüntüsü için SNR iyileştirmede en iyi yöntem alçak geçirgen filtre ve CNR iyileştirmede sym7 sqwtlog yumuşak eşikleme olarak bulunmuştur. Bulgular genel hatlarıyla incelendiğinde, sym7 sqwotlog yumuşak eşiklemenin en iyi yöntem olarak bulunduğu G1, G2, G5, G7 ve G10 görüntülerinin ortak özelliği başlangıç SNR değerlerinin 10-70 arasında olması, sym7 minimaxi yumuşak eşiklemenin en iyi yöntem olarak bulunduğu G3, G4 ve G6 görüntülerinin ortak özelliği ise başlangıç SNR değerinin 10’dan küçük olması olarak göze çarpmaktadır. Yukarıda özetlenen bulgular, görüntülerin başlangıç SNR ve CNR değerleri, en iyi üç iyileştirme yöntemi ve yüzdeleri çizelge 5.16’da verilmiştir.
67
Çizelge 5.16 Test cismi görüntüleri SNR ve CNR iyileştirmeleri
Görüntü SNR CNR SNR % CNR % SNR Yöntem CNR Yöntem
68
Çizelge 5.16’da ‘S’,’R’,’H’ ve ‘M’ sırasıyla sqwotlog, rigrsure, heursure ve minimaxi eşik seçim algoritmalarını ‘s’ ve ‘y’ sırasıyla sert ve yumuşak eşiklemeyi, ‘A.G’ alçak geçirgen filtreyi ve ‘B.G’ bant geçirgen filtreyi ifade etmektedir (sym7 Ms = sym7 minimaxi sert eşikleme).
Çalışmanın ikinci grubunda elde edilen verilere göre, ilk grupta gürültü seviyesine bağlı olarak performansları değişen rigrsure ve heursure algoritmaları test cismi görüntülerinde de benzer sonuçlar vermiştir. Başlangıç SNR değerleri yüksek olan görüntülerde hesaplanan standart sapma büyük olmaktadır. Bu görüntü türlerinde standart sapmanın da hesaba katıldığı rigrsure algoritması ve bu algoritmanın bir türevi olan heursure algoritması iyileştirme performansları açısından kendi aralarında tutarlı sonuçlar elde etmiş, ancak sqwotlog ve minimaxi algoritmalarının gerisinde kalmışlardır. Çok düşük SNR değerine sahip görüntülerde ise standart sapmanın etkisi azalmış, bu iki algoritma kullanılarak elde edilen sonuçlar diğer iki algoritmaya yaklaşmıştır. Kullanılan sqwotlog algoritması her seviyede eşik değeri o seviyedeki katsayılara göre güncellemektedir. Yüksek seviye arkaplan gürültüsü bulunan görüntülerde bu yöntem adaptasyonu ile iyi bir performans sergiliyorken, çok yüksek gürültü seviyelerinde genlik bastırımı artmış ve sabit eşik kullanan mimimaxi algoritmasının performans olarak gerisinde kalmıştır.
Çalışmanın üçüncü grubunda PAM sisteminden alınan kan hücresi sinyalleri filtrelenmiş ve filtreli sinyallerden oluşturulan görüntüler için standart sapma değerleri hesaplanmıştır. Görüntülerde standart sapmanın azaltılmasında en etkili yöntem sym7 dalgacığı sqwotlog yumuşak eşikleme olarak bulunmuştur. Yapılan aşamalı çalışmalar ile elde edilen bulgular sym7 dalgacığının, PA sinyallerin filtrelenmesine adaptasyonunun diğer iki dalgacığa göre daha iyi olduğunu göstermektedir. Alçak ve bant geçirgen filtreler ise düşük ve çok düşük gürültü seviyelerinde görece daha iyi filtreleme performansı sergilemektedir.
Literatürde biyomedikal alanda EKG, EMG vb. biyolojik sinyaller için bir çok filtreleme çalışması mevcut olmasına karşın, PA sinyallerin filtrelenmesi için az sayıda
69
çalışma yürütülmüştür. EKG (Aqil vd. 2017) ve EMG (Gradolewski vd. 2015) sinyalleri için yapılan çalışmalar, sentetik olarak eklenen Gauss biçimli gürültü ve diğer gürültü türlerinin filtrelenmesi için, sinyal benzerlikleri göz önüne alınarak seçilen farklı dalgacıklar ile, farklı eşik seçim algoritmaları ve eşikleme yöntemlerini karşılaştırmıştır.
Bu iki çalışma PA sinyaller üzerine olmasa da, çalışmamızın biyomedikal alanda yürütülen diğer çalışmalarla örtüşebildiğini göstermektedir.
Literatürde PA sinyallerin filtrelenmesi için yapılan az sayıda çalışmadan birinde Holan ve Viator 450 nm ve 543 nm dalga boyunda ışık kaynağı ve 1.3 - 3.5 mJ aralağında değişen lazer darbe enejisi kullanarak, oluşturdukları kan damarı modelinin görüntülemesini yapmışlardır. Elde ettikleri sinyallerin dalgacık dönüşümü ile filtrelenmesi için, seviye bağımsız evrensel (sqwotlog) algoritması ile yumuşak eşikleme kullanmış ve oluşturdukları kan damarı görüntülerinde % 22 iyileşme elde etmişlerdir. (Holan ve Viator 2008). Çizelge 5.15 incelendiğinde oluşturulan görüntüler için elde edilen sonuçlar, Holan ve Viator’ un yaptığı filtreleme çalışmasına göre daha yüksek iyileştirme yüzdesi vermektedir. Literatürdeki bir diğer çalışmada Hill ve arkadaşları lazer kaynaklı gürültünün SVD yöntemi ile azaltılmasını incelemişlerdir (Hill vd. 2017). Çalışmada sonuçlar sayısal olarak verilmediği için karşılaştırma yapılamamıştır.
70 6. SONUÇLAR
Bu kısımda, önerilen görüntü oluşturma algoritması ile birlikte filtreleme çalışması bulguları göz önüne alınarak elde edilen sonuçlara yer verilmiştir.
Çalışma verilerinin alındığı PAM sistemi kullanıcıları tarafından kullanılan görüntü oluşturma algoritmasında PAM sinyallerinin yerleri, nicel gözlem yapılarak tespit edilmekte ve sinyalin oluştuğu aralık algoritmada el ile güncellenmektedir. Dışarıdan kullanıcı müdahelesi gerektiren bu durum görüntü oluşturma sürecini uzatmakta ve kullanıcıya iş yükü getirmektedir. Önerilen algoritmada, bilgi içermeyen tetikleme sinyali kaldırılmış ve korelasyon yöntemi yardımıyla PA sinyalin yeri gözlem yapmaya gerek kalmadan otomatik olarak tespit edilmiştir. Bu sayede algoritmanın çalışma süresi kısaltılmış ve görüntü oluşturulmasında başarılı şekilde kullanılmıştır.
Çalışmanın filtreleme aşamasında ise FIR tabanlı alçak ve bant geçirgen filtreler yanısıra ayrık dalgacık dönüşümü ile filtreleme yöntemleri önerilmiştir. Filteleme işlemleri sentetik gürültü eklenmiş sinyaller, test cismi sinyali ve kan hücresi sinyali olmak üzere üç farklı grupta yürütülmüştür. Sentetik gürültü eklenmiş sinyallerin üzerinde yapılan çalışmalarda ayrık dalgacık dönüşümünün alçak ve bant geçirgen filtrelerle karşılaştırılmasının yanısıra, kullanılan üç farklı ana dalgacığın performansları da kendi aralarında deeğerlendirilmiştir. Yapılan değerlendirme sonucunda bior3.5 ve bior3.7 dalgacıkları genel hatlarıyla benzer performanslar sergilerken özellikle yüksek gürültü yüzdelerinde bior3.7 dalgacığının performansı bir adım öne çıkmıştır. Bu nedenle, PAM sinyallerinin ayrık dalgacık dönüşümü ile filtrelenmesinde bior3.7 ve sym7 dalgacıklarının kullanılmasına karar verilmiştir.
Filtreleme çalışmasının ikinci grubunda PAM sistemi ile yapılan test cismi görüntüleme sinyalleri filtrelenmiş ve elde edilen bulgular incelendiğinde farklı gürültü seviyelerinde farklı yöntemlerin SNR ve CNR iyileştirmesinde öne çıktığı görülmüştür. SNR iyileştirmesinde benzer yüzdelere sahip olan yöntemler CNR iyileştirmesindeki performanslarına göre, benzer CNR iyileştirme yüzdelerine sahip yöntemler ise SNR
71
iyileştirne yüzdelerine göre değerlendirilmiştir. Yöntemlerin gruplandırılması, ham veri kullanılarak oluşturulan görüntüler üzerinden hesaplanan başlangıç SNR değerlerine göre yapılmıştır. Çalışmada, SNR değeri 44.94 olan G11 görüntüsü için SNR iyileştirmesinde en iyi sonuç alçak geçirgen filtre ile elde edilirken, bu görüntü SNR için görece yakın sonuçlar elde edilen ve CNR iyileştirmesinde en iyi sonuç olarak gözlemlenen sym7 sqwotlog yumuşak eşiklemenin bulunduğu gruba dahil edilmiştir.
Başlangıç SNR değerine göre yöntemlerin gruplandırması aşağıdaki gibidir.
SNR değeri 100 ve üzerinde olan görüntüler için SNR ve CNR iyileştirmesinde bant geçirgen filtre,
70-100 arası SNR değerine sahip görüntüler için alçak geçirgen filtre,
10-70 arası SNR değerine sahip görüntüler için sym7 dalgacığı ie sqwotlog yumuşak eşikleme,
10’ dan küçük SNR değerine sahip görüntüler için ise sym7 dalgacığı minimaxi yumuşak eşiklemenin kullanılması uygun bulunmuştur.
Filtreleme çalışmasının son grubu olan kan hücresi sinyalleri üzerine yapılan çalışma, arka plandaki standart sapmalar yönünden test cismi sinyalleri ile karşılaştırıldığında elde edilen sonuçları desteklemiştir.
6.1 Gelecek Çalışmalar
Önerilen görüntü oluşturma algoritmasında akustik sinyalin yeri, oluşturulan dalga şekli ile zaman ekseninde kaydırılıp korelasyon hesabı yapılarak bulunmuştur. Bu yöntemde zamanda kaydırma işlemi örnek sayısı fazla olan sinyallerde işlem yükü meydana getirecek böylece algoritmanın çalışma süresi uzayacaktır. Algoritmada PA sinyal konumunun otomatik tespitini örnek sayısı artmış olsa da hızlı bir şekilde tespit edebilecek alternatif yöntemlerin geliştirilmesi hedeflenmektedir.
Çalışmada, PA sinyal konumunun belirlenmesinin yanısıra PAM sisteminden alınan zaman sinyallerinin filtrelenmesi gerçekleştirilmiştir. Gelecek çalışmalarda tezde
72
önerilen ön sinyal işleme yöntemlerine ek olarak, gürültü modellemesi ile filtreleme performanslarının daha iyi şekilde değelendirilmesi ve oluşturulan görüntülerin işlenmesi ile daha kaliteli görüntülerin elde edilmesi hedeflenmektedir.
73 KAYNAKLAR
Aytac-Kipergil, E., Demirkiran, A., Uluc, N., Yavas, S., Kayikcioglu, T., Salman, S., and Unlu, M.B. 2016. Development of a Fiber Laser with Independently Adjustable Properties for Optical Resolution Photoacoustic Microscopy.
Scientific Reports, 6.
Alfaouri, M., and Daqrouq, K. 2008. ECG signal denoising by wavelet transform thresholding. American Journal of applied sciences, 5(3), 276-281.
Aqil, M., Jbari, A., and Bourouhou, A. 2017. ECG Signal Denoising by Discrete Wavelet Transform. International Journal of Online Engineering (iJOE), 13(09), 51-68.
Beard, P. 2011. Biomedical photoacoustic imaging. Interface focus, rsfs20110028.
Bell, A.G. 1880. On the production and reproduction of sound by light. American Journal of Science, (118), 305-324.
Bhoi, A. K., Tamang, J. S., and Mishra, P. 2012. Wavelet packet based Denoising of EMG Signal. International Journal of Engineering Research and Development, 4(2), 78-83.
Brand, C., Winkler, A., Hess, P., Miklós, A., Bozóki, Z., and Sneider, J. 1995. Pulsed-laser excitation of acoustic modes in open high-Q photoacoustic resonators for trace gas monitoring: results for C 2 H 4. Applied optics, 34(18), 3257-3266.
Chen, Z., Rank, E., Meiburger, K. M., Sinz, C., Hodul, A., Zhang, E., and Kittler, H.
2017. Non-invasive multimodal optical coherence and photoacoustic tomography for human skin imaging. Scientific reports, 7(1), 17975.
Cheng, J. 2017. Investigating signal denoising and iterative reconstruction algorithms in photoacoustic tomography (T). University of British Columbia. Retrieved from https://open.library.ubc.ca/cIRcle/collections/24/items/1.0354460
Dolet, A., Varray, F., Roméo, E., Dehoux, T., and Vray, D. 2017. Spectrophotometry and Photoacoustic Imaging: A Comparative Study. IRBM, 38(6), 352-356.
Donoho, D. L., and Johnstone, J.M. 1994. Ideal spatial adaptation by wavelet shrinkage.
biometrika, 81(3), 425-455.
Ermilov, S.A., Khamapirad, T., Conjusteau, A., Leonard, M.H., Lacewell, R., Mehta, K., and Oraevsky, A. A. 2009. Laser optoacoustic imaging system for detection of breast cancer. Journal of biomedical optics, 14(2), 024007-024007.
Esenaliev, R.O., Karabutov, A.A., and Oraevsky, A.A. 1999. Sensitivity of laser opto- acoustic imaging in detection of small deeply embedded tumors. IEEE Journal of Selected Topics in Quantum Electronics, 5(4), 981-988.
74
Ford, S.J., Bigliardi, P.L., Sardella, T.C., Urich, A., Burton, N.C., Kacprowicz, M., and Razansky, D. 2016. Structural and functional analysis of intact hair follicles and pilosebaceous units by volumetric multispectral optoacoustic tomography.
Journal of Investigative Dermatology, 136(4), 753-761.
Gradolewski, D., Tojza, P.M., Jaworski, J., Ambroziak, D., Redlarski, G. and Krawczuk, M. 2015. Arm EMG wavelet-based denoising system. In Mechatronics-Ideas for Industrial Application (pp. 289-296). Springer, Cham Holan, S.H. and Viator, J.A. 2008. Automated wavelet denoising of photoacoustic
signals for circulating melanoma cell detection and burn image reconstruction.
Physics in medicine and biology, 53(12), N227.
Heijblom, M., Steenbergen, W. and Manohar, S. 2015. Clinical photoacoustic breast imaging: the Twente experience. IEEE pulse, 6(3), 42-46.
Hill, E.R., Xia, W., Clarkson, M.J. and Desjardins, A.E. 2017. Identification and removal of laser-induced noise in photoacoustic imaging using singular value decomposition. Biomedical optics express, 8(1), 68-77.
Jansen, K., Wu, M., van der Steen, A.F. and van Soest, G. 2014. Photoacoustic imaging of human coronary atherosclerosis in two spectral bands. Photoacoustics, 2(1), 12-20.
Jiao, S., Jiang, M., Hu, J., Fawzi, A., Zhou, Q., Shung, K.K. and Zhang, H.F. 2010.
Photoacoustic ophthalmoscopy for in vivo retinal imaging. Optics express, 18(4), 3967-3972.
Li, C. and Wang, L.V. 2009. Photoacoustic tomography and sensing in biomedicine.
Physics in medicine and biology, 54(19), R59.
Liao, L.D., Lin, C.T., Shih, Y.Y.I., Duong, T.Q., Lai, H.Y., Wang, P.H. and Chen, Y.Y. 2012. Transcranial imaging of functional cerebral hemodynamic changes in single blood vessels using in vivo photoacoustic microscopy. Journal of Cerebral Blood Flow & Metabolism, 32(6), 938-951.
Liu, M. 2017. Photoacoustic imaging and its preclinical application in ophthalmology.
Acta Ophthalmologica, 95(S259).
Liu, M., Chen, Z., Sinz, C., Rank, E., Zabihian, B., Zhang, E.Z. and Drexler, W. 2017, February. Combined multimodal photoacoustic tomography, optical coherence tomography (OCT) and OCT based angiography system for in vivo imaging of multiple skin disorders in human (Conference Presentation). In SPIE BiOS (pp.
100370T-100370T). International Society for Optics and Photonics.
Lutzweiler, C. and Razansky, D. 2013. Optoacoustic imaging and tomography:
reconstruction approaches and outstanding challenges in image performance and quantification. Sensors, 13(6), 7345-7384. (PRIME), 2012 International Conference on (pp. 278-283). IEEE.-
75
Mallidi, S., Luke, G.P. and Emelianov, S. 2011. Photoacoustic imaging in cancer detection, diagnosis, and treatment guidance. Trends in biotechnology, 29(5), 213-221.
Mehrmohammadi, M., Joon Yoon, S., Yeager, D. and Y Emelianov, S. 2013.
Photoacoustic imaging for cancer detection and staging. Current molecular imaging, 2 (1), 89-105.
Merry, R.J.E. and Steinbuch, M. 2005. Wavelet theory and applications. literature study, Eindhoven university of technology, Department of mechanical engineering, Control systems technology group.
Misiti, M., Misiti, Y., Oppenheim, G. and Poggi, J. M. 1996. Wavelet toolbox. The MathWorks Inc., Natick, MA, 15, 21.
Oh, J.T., Li, M.L., Zhang, H.F., Maslov, K., Stoica, G. and Wang, L.V. 2006. Three-dimensional imaging of skin melanoma in vivo by dual-wavelength photoacoustic microscopy. Journal of biomedical optics, 11(3), 034032-034032.
Park, S., Aglyamov, S.R., Scott, W.G., Emelianov, S.Y., Sethuraman, S., Rubin, J.
M. and Smalling, R. W. 2006, October. 1E-5 synergy and applications of combined ultrasound, elasticity, and photoacoustic imaging. In Ultrasonics Symposium, 2006. IEEE
Patil, P.B. and Chavan, M.S. 2012, March. A wavelet based method for denoising of biomedical signal. In Pattern Recognition, Informatics and Medical Engineering Saalberg, Y., Bruhns, H. and Wolff, M. 2017. Photoacoustic spectroscopy for the determination of lung cancer biomarkers—A preliminary investigation. Sensors, 17(1), 210.
Seena. V, Lineeta Gloria Prakash 2012."A Comparitive Analysis Of Wavelet Based Method For Denoising Of ECG Signal", International Journal of Electrical, Electronics and Data Communication (IJEEDC), Volume-2,Issue-8,pp 9- 12 , Siphanto, R.I., Thumma, K.K., Kolkman, R.G.M., Van Leeuwen, T.G., De Mul, F.
F.M., Van Neck, J.W. and Steenbergen, W. 2005. Serial noninvasive photoacoustic imaging of neovascularization in tumor angiogenesis. Optics express, 13(1), 89-95.
Stoffels, I., Morscher, S., Helfrich, I., Hillen, U., Leyh, J., Burton, N.C. and Roesch, A.
2015. Metastatic status of sentinel lymph nodes in melanoma determined noninvasively with multispectral optoacoustic imaging. Science translational medicine, 7(317), 317ra199-317ra199.
Tam, A. 1986 Applications of photoacoustic sensing techniques. Rev. Mod. Phys. 58, 381–431. (doi:10.1103/ RevModPhys.58.381)
76
Taflove, A. and Hagness, S.C. 2005. Computational Electrodynamics: The Finite-Difference Time-Domain Method, Norwood, MA: Artech House, 2005.
TafloveA. HagnessS. C. Computational Electrodynamics: The Finite-Difference Time-Domain Method.
Telenkov, S. and Mandelis, A. 2010. Signal-to-noise analysis of biomedical photoacoustic measurements in time and frequency domains. Review of Scientific Instruments, 81(12), 124901.
Telenkov, S. A., Alwi, R. and Mandelis, A. 2013. Photoacoustic correlation signal-to-noise ratio enhancement by coherent averaging and optical waveform
optimization. Review of Scientific Instruments, 84(10), 104907.
Valluru, K.S. and Willmann, J.K. 2016. Clinical photoacoustic imaging of cancer.
Ultrasonography, 35(4), 267.
Yao, J., and Wang, L. V. 2013. Photoacoustic microscopy. Laser and photonics reviews, 7(5), 758-778.
Yao, J., Wang, L., Yang, J. M., Maslov, K.I., Wong, T.T., Li, L. and Wang, L.V.
2015. High-speed label-free functional photoacoustic microscopy of mouse brain in action. Nature methods, 12(5), 407-410.
Zhang, H. F., Maslov, K., Stoica, G. and Wang, L.V. 2006. Functional photoacoustic microscopy for high-resolution and noninvasive in vivo imaging. Nature biotechnology, 24(7), 848-851.
Zhang, J., Yang, S., Ji, X., Zhou, Q. and Xing, D. 2014. Characterization of lipid-rich aortic plaques by intravascular photoacoustic tomography. Journal of the American College of Cardiology, 64(4), 385-390.
Zhou Y., Wang L.V. 2016 Translational Photoacoustic Microscopy. In: Olivo M., Dinish U. (eds) Frontiers in Biophotonics for Translational Medicine.
Progress in Optical Science and Photonics, vol 3. Springer, Singapore
Wang, L.V. 2008a. Prospects of photoacoustic tomography. Medical physics, 35(12), 5758- 5767.
Wang, L.V. 2008b. Tutorial on photoacoustic microscopy and computed tomography.
IEEE Journal of Selected Topics in Quantum Electronics, 14(1), 171-179.
Wang, L.V. and Hu, S. 2012. Photoacoustic tomography: in vivo imaging from organelles to organs. Science, 335(6075), 1458-1462.
Xiao, J. and He, J. 2010. Multispectral quantitative photoacoustic imaging of osteoarthritis in finger joints. Applied optics, 49(30), 5721-5727.
Xia, J., Yao, J. and Wang, L.V. 2014. Photoacoustic tomography: principles and advances. Electromagnetic waves (Cambridge, Mass.), 147, 1.
77
Xu, M. and Wang, L.V. 2006. Photoacoustic imaging in biomedicine. Review of scientific instruments, 77(4), 041101.
Web Sitesi: https://www.mathworks.com/help/wavelet/ref/thselect.html, Erişim Tarihi:
12.9.2017.
Web Sitesi: (https://www.mathworks.com/help/wavelet/ref/wthresh.html), Erişim Tarihi: 12.9.2017.
Web Sitesi: (https://www.thorlabs.com/newgrouppage9.cfm?objectgroup_id=4338) Erişim Tarihi: 21.01.2018.
Web Sitesi: (http://kanser.gov.tr/daire-faaliyetleri/kanser-istatistikleri.html).
Erişim Tarihi: 21.01.2018.
78 ÖZGEÇMİŞ
Adı Soyadı : Gökhan GÜNEY Doğum Yeri : Çorum
Doğum Tarihi : 21.01.1991 Medeni Hali : Bekar Yabancı Dili : İngilizce Eğitim Durumu:
Lise : Çorum Anadolu Lisesi (2009)
Lisans : Erciyes Üniversitesi, Biyomedikal Mühendisliği Bölümü, (2015) : Erciyes Üniversitesi, Elektrik&Elektronik Mühendisliği Bölümü,
(2015) (Çift Anadal)
Yüksek Lisans : Ankara Üniversitesi Fen Bilimleri Enstitüsü Elektirk-Elektronik Mühendisliği Anabilim Dalı ( Şubat 2016 - Mart 2018)
Çalıştığı Kurum:
Ankara Üniversitesi Mühendislik Fakültesi Biyomedikal Mühendisliği Bölümü Araştırma Görevlisi (2015-…)
Ulusal Konferans Yayınları:
1) Güney, G., Birgül, Ö., Aytaç-Kipergil, E., Demirkiran, A., Uluç, N., & Ünlü, M.
B.’’ Fotoakustik Mikroskopta Görüntü Oluşturma ve Gürültü Analizi’’, IEEE 25. Sinyal İşleme ve Uygulamaları Kurultayı, 15-18 Mayıs 2017, Antalya, Türkiye
2) Güney, G., Birgül, Ö., Uluç, N., Demirkiran, A., Aytaç-Kipergil, E., & Ünlü, M.
B.’’ . ‘Noise Reduction in Photoacoustic Imaging using Wavelet Transform’.
In Biomedical Engineering Meeting (BIYOMUT), 2017 21th National . IEEE.