Bu çalışmada akciğer nodüllerinin X-ray grafilerinden gelişimlerinin takip edilmesi amaçlanmıştır.
Röntgen yöntemi birçok sağlık kuruluşunda uygulanabilen düşük maliyetli ve nodüllerin gelişiminin kolayca izlenmesi için kullanılabilecek yöntemlerden birisidir. Akciğer üzerindeki nodüllerin otomatik olarak ya da bir uzman yardımıyla tespit edilebilmesi ile bu tez kapsamında önerilen sistemin önemi bir kat daha artmış olacaktır. Öte yandan, literatürde yapılan çalışmalar incelendiğinde daha önce röntgen verileri üzerinde nodüllerin gelişimlerinin analizi üzerine bir çalışmaya rastlanmamıştır.
Nodül gelişim analizin yapılabilmesi için öncelikle nodüllerin aynı şartlarda değerlendirilmiş olması gerekmektedir. Yani çekilen X-ray verilerinin bir şablon üzerine yönelim ve büyüklük olarak birebir oturtulması gerekmektedir. Bu oturtma işlemi ne kadar başarılı olursa çalışmanın sonucu o kadar başarılı olur. Görüntülerin üst üste bindirilme aşamaları yani görüntü çakıştırma işlemleri için öznitelik tabanlı bir yaklaşım uygulanmıştır. Başkent Üniversitesi Tıp Fakültesi Radyoloji Bölümünden edinilen veriler üzerinde yapılan deneyler sonucunda en iyi çakıştırma başarısını anahtar nokta seçiminde SIFT ve SURF; özellik eşleştirmede ise SIFT algoritmasının kombinasyonları sağlamıştır. Çakışmanın başarımının ölçümü, her iki görüntüde de aynı olduğu bilinen noktaların çakışma yapıldıktan sonra birbirlerine konumsal uzaklık toplamlarının hata olarak değerlendirilmesi ile yapılmıştır. Bir çakıştırma yönteminin her görüntü çifti için başarılı sonuç vereceği garantilenemeyeceği için otomatik olarak en iyi çakıştırma işleminin hangi yöntem ile belirleneceğini tespit etmek amacı ile DU metriğinin otomatik olarak hesaplanması gerçekleştirilmiştir. Bu tarz bir yöntem ile çakıştırmayı doğrulamak için noktaları elle seçmeden, otomatik olarak çakıştırmanın başarımının tahmin edilmesi amaçlanmaktadır. Bir görüntü çifti için farklı yöntemler deneyerek en iyi çakıştırılmış görüntü üzerinden analiz yapılması şeklinde bir yaklaşımla sistemin başarısı daha da artırılabilir.
piksel kümesinin oluşturduğu noktalar kümesi olarak değerlendirilmiştir. Böylece t zamanda çekilen görüntüyü t+1 zamanda çekilen görüntünün üzerine oturtmak için elde edilen homografi matrisi ile çakıştırılmış görüntüdeki nodül bilgileri de tespit edilir.
Görüntüler çakıştırıldıktan sonra nodüllerin eşleştirilmesi için t+1 ve w(t) görüntüleri üzerindeki nodüllerin x ve y eksenlerindeki orta noktaları tespit edilerek birbirine en yakın nodüllerin orta noktaları konumsal olarak eşleştirilmeye çalışılır. Eşleşen nodüllerin uzaklıkları belirli bir eşik değerinin üstünde ise eşleşmiş olarak kabul edilmez. Bu yaklaşım da tezin özgün katkılarından birisi olup gelişim analizi için bir önkoşul teşkil etmektedir.
Nodül gelişim analizi sonucunda eşleşme oluşursa var olan nodülde büyüme, küçülme ya da değişmeme durumu gözlenebilir. Eşleşme olmazsa w(t)'deki nodül kaybolmuş ya da t+1'de yeni nodül ortaya çıkmış olabilir. Elde edilen sonuçlar kullanıcıya metinsel bir formatta gösterilir. Nodül karşılaştırması olarak değerlendirildiğinde alınan sonuçlara göre sistemin kullanılabilir olduğu söylenebilir. Gelecek çalışmalarda literatürde bulunan farklı görüntü çakıştırma algoritmalarının da davranışları sistem üzerinde analiz edilerek başarı oranı yükseltilebilir.
KAYNAKLAR LİSTESİ
[1] http://www.ozelsamar.com.tr/rontgen.htm Erişim Tarihi: 10/09/2015
[2] http://belirtilerinelerdir.com/akciger-kanseri-belirtileri-nelerdir/ Erişim Tarihi: 10/09/2015
[3] http://tomografi.nedir.com/ Erişim Tarihi: 12/09/2015
[4] Pal, R., Garg, P., Chechi, R., Kumar, S., Kumar, N. Cancer Growth Prediction via Artificial Neural Networks. International Journal of Bio-Science and Bio- Technology 2(2) (2010), 1-10.
[5] Scharcanski, J., Da Silva, L.S., Koff, D., Wong, A. Interactive Modeling and Evaluation of Tumor Growth. Journal of Digital Imaging 23(6) (2010), 755-768. [6] Almasslawi, D.M.S, Kabir, E. Using non-rigid image registration and Thin-Plate
Spline warping for lung cancer progression assessment. IEEE International Conference on Computer Science and Automation Engineering (CSAE), Shangai, China, (2011), 506-510.
[7] Elamy, A.H., Hu, M. Mining Brain Tumors and Tracking their Growth Rates. Canadian Conference on Electrical and Computer Engineering, Vancouver, Canada, (2007), 872-875.
[8] Sofka, M., Stewart, C.V. Location registration and recognition (LRR) for serial analysis of nodules in lung CT scans. Medical Image Analysis 14 (2010), 407- 428.
[9] A. Sotiras, C. Davatzikos, and N. Paragios, “Deformable Medical Image Registration: A Survey,” IEEE Transactions on Medical Imaging, 2013, vol. 32, no. 7, pp. 1153-1190.
[10] V.R.S. Mani, and S. Arivazgahan, “Survey on Medical Image Registration,” Journal of Biomedical Engineering and Technology, 2013, vol. 1, no. 2, pp. 8- 25.
[11] B. Zitova, and J. Flusser, “Image registration methods: A survey,” Image and Vision Computing, 2003, vol. 21, no. 11, pp. 977–1000.
[12] W. Cheung, and G. Hamarneh, “n-SIFT: N-dimensional scale invariant feature transform,” IEEE Transactions on Image Processing, 2009, vol. 18, no. 9, pp. 2012–2021.
[13] S. Allaire, J.J. Kim, S.L. Breen, D.A. Jaffray, and V. Pekar, “Full orientation invariance and improved feature selectivity of 3d sift with application to medical image analysis,” In Computer Vision and Pattern Recognition Workshops (CVPRW’08), Anchorage, AK - USA, 23-28 June 2008, pp. 1–8.
[14] M. Niemeijer, M.K. Garvin, K. Lee, B. vanGinneken, M.D. Abrámoff, and M. Sonka, “Registration of 3d spectral OCT volumes using 3d sift feature point matching,” In Proceedings of SPIE Medical Imaging 2009: Image Processing,
[16] P.V. Lukashevich, B.A. Zalesky, and S.V. Ablameyko, “Medical Image Registration Based on SURF Detector,” Pattern Recognition and Image Analysis, 2011, vol. 21, no. 3, pp. 519-521.
[17] C. Wang, S. Guo, and X. Wu, “Segmentation of lung region for chest X-ray images based on medical registration and ASM,” In 3rd International Conference on Bioinformatics and Biomedical Engineering (ICBBE 2009), Beijing - China, 11-13 June 2009, pp. 1-4.
[18] S. Guo, X. Wu, and Z. Luo, “Automatic Extraction of Control Points for Chest X- ray Images and Elastic Registration,” In 2nd International Conference on Bioinformatics and Biomedical Engineering (ICBEE 2008), Shanghai – China, 16-18 May 2008, pp. 2651-2654.
[19] S. Candemir, S. Jaeger, K. Palaniappan, J.P. Musco, R.K. Singh, Z. Xue, A. Karargyris, S. Antani, G. Thoma, and C.J. McDonald, “Lung Segmentation in Chest Radiographs Using Anatomical Atlases With Nonrigid Registration,” IEEE Transactions on Medical Imaging, 2014, vol. 32, no. 2, pp. 577-590.
[20] D.G. Lowe, “Distinctive image features from scale-invariant keypoints,” International Journal of Computer Vision, 2004, vol. 60, no. 2, pp. 91-110. [21] H. Bay, T. Tuytelaars, and L.V. Gool, “SURF: Speeded Up Robust Features,” In
Proceedings of the 9th European Conference on Computer Vision (ECCV 2006), Graz - Austria, 07-13 May 2006, vol. 3951, part 1, pp. 404-417.
[22] E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, “ORB: an efficient alternative to SIFT or SURF,” In 2011 IEEE International Conference on Computer Vision (ICCV), Barcelona – Spain, 06-13 November 2011, pp. 2564- 2571.
[23] M. Calonder, V. Lepetit, C. Strecha, and P. Fua, “BRIEF: Binary Robust Independent Elementary Features,” In 11th European Conference on Computer Vision (ECCV 2010), Heraklion, Crete - Greece, 05-11 September 2010, pp. 778-792.
[24] E. Rosten, and T. Drummond, “Machine learning for high-speed corner detection,” In 9th European Conference on Computer Vision (ECCV 2006), Graz - Austria, 07-13 May 2006, pp. 430 - 443.
[25] Leutenegger, Stefan, Margarita Chli, and Roland Y. Siegwart. “BRISK: Binary robust invariant scalable keypoints.” Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011.
[26] A.V.Kulkarni, J.S.Jagtap, V.K.Harpale "Object recognition with ORB and its Implementation on FPGA International Journal of Advanced Computer Research", (ISSN (print): 2249-7277 ISSN (online): 2277-7970) Volume-3 Number-3 Issue-11 September- 2013
[27] Ives Rey-Otero, Mauricio Delbracio, Anatomy of SIFT Method, IPOL Image Processing On Line, http://dx.doi.org/10.5201/ipol, PREPRINT March 11, [28] http://www.nabiz61.com/haber/tomografi-ile-rontgen-arasindaki-fark-675.html
Erişim Tarihi: 12/09/2015
[29] J. Canny, “A computational approach to edge detection”, IEEE PAMI, 8(6), 1986, 679-698.
[30] http://docs.opencv.org/modules/imgproc/doc/feature_detection.html?highlight= canny Erişim Tarihi: 10/09/2015
[31] E. Rosten and T. Drummond, “Machine learning for high speed corner detection,” in 9th Euproean Conference on Computer Vision, vol. 1, 2006, pp. 430–443
[32] Jan Erik Solem, Programming Computer Vision with Python, O’Reilly 73s-78s, 2012.
[33] http://www.microdicom.com/ Erişim Tarihi: 10/09/2015
[34] http://beta.ircad.fr/softwares/vr-render/Software.php Erişim Tarihi: 10/09/2015 [35] http://technology.healthcareinspired.com/applications/centricity-ra-600/ Erişim
Tarihi: 10/09/2015
[36] http://www.dicomworks.com/ Erişim Tarihi: 10/09/2015 [37] http://www.osirix-viewer.com/ Erişim Tarihi: 10/09/2015 [38] http://www.radiantviewer.com/ Erişim Tarihi: 10/09/2015
[39] Digital Imaging and Communications in Medicine, World Wide Web site http://medical.nema.org/dicom/ Erişim Tarihi: 12/09/2015