3. MATERYAL VE YÖNTEM
3.5. Sürrrenal Lezyon Segmentasyonunda Kullanılan Metotlar
Çalışmada sürrenal lezyon segmentasyonu için önerilen yapı 5 farklı teknikten oluşmaktadır. Bu teknikler şu şekilde sıralanabilir:
1. Kontrast Sınırlı - Adaptif Histogram Eşitleme Algoritması (KS-AHE) 2. Dörtlü Ağaç Ayrıştırma Tabanlı Bölme ve Birleştirme Yöntemi (DAA-BB) 3. Ortalama Kayma Segmentasyon Tekniği (OKS)
4. Geniş Gri Değer Eliminatörü (GDE) 5. Büyüyen Alan Algoritması (BA)
Yukarıda yer alan tekniklerden KS-AHE yaklaşımı Bölüm 3.2.5’ de sunulmuştur.
3.5.1. Dörtlü ağaç ayrıştırma tabanlı bölme ve birleştirme yöntemi
Bölme ve Birleştirme yöntemi, görüntünün düzenli alanlara ayrışmasını sağlamaktadır (Sonka ve Fitzpatrick, 2000).
Alan Bölme (Region Splitting) yöntemleri, Büyüyen Alan (Region Growing) tekniğine zıt bir mantığa sahiptir. Bu teknikler bütün bir görüntü üzerinden işlem yapmaya başlar ve bir benzerlik (uniformity) kriteri üzerinden benzer sonuçlar üreten bölgeleri birleştirir. Kriterin sağlanmadığı durumlarda ise görüntü 4 alt bölüme ayrılır. Bu süreç kriter sağlanıncaya kadar iteratif olarak devam ettirilir. Görüntü, işlem tamamlandığı durumda birçok Dörtlü Ağaç (Quadtree) yapısı olarak ifade edilmektedir. Dörtlü Ağaç yapısının temelinde bir ana düğüm ve buna bağlı 4 çocuk düğüm bulunur. Bu yapının görüntü üzerine uygulanışı Şekil 3.3’ de görüldüğü gibidir (Sonka ve Fitzpatrick, 2000).
Şekil 3.3. Dörtlü ağaç (Quadtree) yapısının görüntü üzerinde temsili
Birleştirme bölümünün bölme işlemine entegrasyonu, her aşamada benzer özelliğe sahip alanların birleştirilmesini sağlamaktadır. Kullanılan fonksiyon içerisinde yer alan koşullara uygun (benzer ortalama değerlere, belirli bir varyans içinde sahip olan) alanların eldesi ile segmentasyon işlemi gerçekleştirilir. Bölme ve Birleştirme yöntemi içerisinde, yakın sonuçlara sahip ve aynı ana düğüme bağlı olmayan bitişik
alanlar birleştirilememektedir. Dörtlü Ağaç Ayrıştırma yöntemi ise bu dezavantajı elimine edebilmek amacıyla algoritmanın son adımına eklenmektedir (Sonka ve Fitzpatrick, 2000).
SMQD algoritması üç adımda tanımlanmaktadır (Sonka ve Fitzpatrick, 2000):
1. Bir benzerlik kriteri tanımla
2. Görüntü içerisinde benzerlik kriterini sağlamayan her bir bölgeyi 4 alt bölgeye ayır ve ana düğüme bağlı olan çocuk düğümlerde kriterin sağlandığı bölgeleri birleştir 3. Eğer Bölme veya Birleştirme işlemi yapılamıyorsa, bitişik olan bölgeleri ana
düğümlere göre tespit et ve kriteri sağlayan alan varsa birleştir
Çalışma içerisinde kullanılan DAA-BB algoritması, alanların birbirine entegrasyonunu sağlayan iki parametreyi temel alır. Ortalama ve varyans olarak bilinen bu parametreler, benzerlik kriteri olarak kullanılmaktadır.
3.5.2. Ortalama kayma segmentasyon tekniği
Ortalama Kayma Segmentasyon (OKS) algoritması, özellik uzayında mod değerlerini kullanarak, rasgele şekilli kümeler üzerinde işlem yapmaktadır x veri noktaları üzerinde gradyent hesabı yapılarak, gradyent değerinin sıfıra eşit olduğu (∇f x( ) 0= ) değerler mod değerlerini ihtiva olarak atfedilmektedir. OKS yöntemi, kümeler içinde benzer yoğunluğa sahip olan piksel değerlerini birleştirmek (yakın gri seviyelere çekmek) amacıyla kullanılır. Metot, 2B bir görüntüyü müşterek uzamsal – aralık domenine aktarmaktadır. Bu noktada amaç, görüntü içi objelerin yoğunluk yönelimlerinin tespit edilmesidir (Comaniciu ve Meer, 2002).
Uzamsal ve aralık olguları sırasıyla lokasyon ve renk özelliklerini simgelemektedir. Görüntü içinde bir objenin piksel değerleri, uzamsal ve aralık kernelleri kullanılarak mod pikseline doğru yakınsatılır. Kernellerin boyutu (bant genişliği), OKS algoritmasının çalışmasını doğrudan etkilemektedir. Çünkü çalışma alanı ve mod tespiti doğrudan kullanılan kernele bağımlıdır (Comaniciu ve Meer, 2002).
OKS algoritması, piksellerin yakınsamaları noktasında lokasyon (uzamsal) ve renk (aralık) özelliklerinin bağımlı olduğu üç parametreyi kullanmaktadır. Bunlar; uzamsal kernel band genişliği, aralık kerneli band genişliği ve yakınsama kriteri
eşiğidir. Teknik içerisinde kullanılan çoklu kernel yapısı (3.20)’ de görüldüğü gibidir (Comaniciu ve Meer, 2002). 2 2 2 ( ) s r s r h h p s r s r C x x K x k k h h h h = (3.20)
(3.20) eşitliği içerisinde; xs ve xr özellik vektörünün uzamsal ve aralık bölümlerini, k(x) her iki domende de kullanılan genel profili, C normalizasyon sabitini, p ise (gri seviyeli görüntülerde 1) görüntü boyutunu simgelemektedir. Uzamsal kernel band genişliği hs ile ifade edilirken, aralık kerneli band genişliği hr ile gösterilmektedir. Mod tespitindeki çözünürlük, kernellerin boyutları değiştirilerek en iyi seviyeye getirilebilmektedir (Comaniciu ve Meer, 2002).
OKS, kullanıcı tarafından ayarlanması gereken üç parametre içermektedir. Bu parametreler; aralık kerneli band genişliği (hr), uzamsal kernel band genişliği (hs) ve yakınsama kriteri eşiği (M)’ dir. Yakınsama kriteri eşiğinden daha düşük piksel içeren ayrık alanlar, segmentasyon işlemi dâhilinde elimine edilmektedir. OKS yaklaşımının algoritması Çizelge 3.5’ de görüldüğü gibidir (Comaniciu ve Meer, 2002).
Kernel Band Genişlikleri (hs, hr), “4” ve katları olarak tanımlandığında etkin sonuçlar üretildiği bilinmektedir (Comaniciu ve Meer, 2002). Yakınsama kriteri eşiği (M), gri seviye görüntülerde ve yoğunluk değerleri çift (double) olarak belirtildiği durumda sırasıyla [0, 255] ve [0, 1] arasında ifade edilmektedir.
Çizelge 3.5. OKS yaklaşımının algoritması OKS algoritması
1-) Ortalama kayma filtreleme işlemini gerçekleştir ve görüntüdeki yakınsama noktaları hakkında bilgileri tut
2-) Kümeleri, ortak etki alanında bütün yakınsama noktalarını gruplayarak tanımla. Bu aşamada uzamsal domende hs ve aralık domeninde hr boyutundan daha yakın olan yakınsama noktaları gruplanmalıdır. İlgili yakınsama noktalarının bulunduğu alanları birbiri ile bağla 3-) Piksellere ait yeni değerleri yakınsama noktalarına göre ata
4-) M adet pikselden daha az piksel içeren ayrık bölgeleri elimine et 3.5.3. Geniş gri değer eliminatörü
Geniş Gri Değer Eliminatörü (GDE), lezyonlardan farklı abdomen içi alanlarda, gri seviyelerin bozulması amacı ile oluşturulmuştur.
Sürrenal lezyonlar, kontrast madde tutmalarından dolayı genel olarak heterojen bir görünüme sahip olmaktadır. GDE yaklaşımı, çok fazla tekrar eden gri seviyelerin (histogram üzerinde en büyük değerlerin) eliminasyonu sağlanmakta, karaciğer vb. geniş dokuların üzerinde işlem yapılmakta, böylece sürrenal lezyonların bir miktar daha ön plana çıkmasını sağlamaktadır. Histogram üzerindeki en büyük ilk altı değer (en sık tekrar eden altı gri seviye) görüntü içerisinden çıkarılmaktadır. Böylece gereksiz dokuların belirli oranda baskılanması sağlanmaktadır. GDE yaklaşımının algoritması Çizelge 3.6’ da görüldüğü gibidir.
Çizelge 3.6. GDE yaklaşımının algoritması GDE yaklaşımının sözde kodu
1-) İmge histogramını elde et
2-) Histogram üzerindeki değerleri büyükten küçüğe sırala 3-) En sık tekrar eden 6 adet gri seviyeyi tespit et
4-) Bütün bir görüntüyü tara ve tespit edilen gri seviyelere sahip olan piksellere “0” değeri ata 3.5.4. Büyüyen alan algoritması
Büyüyen Alan (BA), potansiyel bölge içinde bir pikselle başlamakta, komşu piksellerin benzerliği test edilerek ilgili alan büyütülmektedir. İlk piksel veya belli sayıda başlangıç pikseli (tohum veya tohumlar) manuel ya da otomatik olarak görüntü üzerinden seçilmektedir. Başlangıç pikseli ile küme pikseller arasında bir benzerlik ölçüsü tanımlanmalıdır. Bu ölçüt, büyümenin ana kriteridir (Zharkova ve Jain, 2007).
Gri seviye tolerans aralığı, BA’ nın en temel formu ele alındığında sisteme dair tek parametredir. Tohum pikselinin veya alanının yoğunluk değeri, bu aralık dâhilinde komşu pikseller ile karşılaştırılarak yayılma gerçekleştirilir. BA yaklaşımının algoritması Çizelge 3.7’ de görüldüğü gibidir (Zharkova ve Jain, 2007). Tolerans değeri, tohum pikselinin komşuluğundaki piksellerden hangisinin alana dâhil olacağına karar vermek için kullanılır (Zharkova ve Jain, 2007).
Çizelge 3.7. BA yaklaşımının algoritması RG algoritması
1-) Tohum pikselini seç
2-) Komşu pikselleri tara ve tohum pikseline yakın yoğunluk göstermeleri durumda kümeye dâhil et